Escolar Documentos
Profissional Documentos
Cultura Documentos
BELO HORIZONTE
2023
EDUARDO AMAT SILVA
BELO HORIZONTE
2023
Ficha catalográfica
CDD: 658
Elaborado por Fabiana Santos CRB-6/2530
.
Palavras-Chaves: governança corporativa; desempenho financeiro; inovação; conjuntura
econômica.
ABSTRACT
1 INTRODUÇÃO
A prática da adoção da Governança Corporativa (GC) por parte das empresas tem
sido considerada como uma das formas eficazes de apresentar uma melhor imagem para
o mercado, vislumbrando situações que permitam demonstrar credibilidade, atrair
capitais para investimentos e também sua própria sustentabilidade. Empresas que,
porventura, não adotem tal procedimento, em comparação com as que adotam, poderão,
assim, vir a não ter a mesma facilidade em determinadas transações, como, por exemplo,
obtenção de crédito quando comparadas àquelas que adotam, e também nas negociações
das suas ações nas bolsas de valores, uma vez que tal procedimento é bem quisto pelo
mercado.
tocante, à transparência na sua gestão, ampliação dos direitos acionários dos minoritários,
para que suas ações sejam melhor mensuradas nas negociações.
Assim, com vista à GC, o mercado parte do pressuposto de que as empresas que
aderiram aos segmentos especiais de listagem da B3 são geridas com maior controle e
transparência, podendo vir a influenciar no desempenho empresarial das mesmas, bem
como motivar o investidor a investir nessas empresas em detrimento das outras que não
adotaram tal procedimento. Por sua vez, também foram criados mecanismos de controle
com o objetivo de minimizar os conflitos de interesses entre as partes, no caso agentes e
principais, tentando estabelecendo normas de conduta que resguardem os ganhos futuros
dos investidores, além de uma maior atratividade destes em relação à empresa. Ressalta-
se assim, que a adoção de práticas de GC ganham relevo, pois se considera uma redução
no risco, o que alavanca benefícios tanto para a empresa como para os stakeholders, já
que evita abusos de poder, custos de agência, erros de gestão e fraudes corporativas;
incentivando, assim, uma maior confiança paras as empresas e para o mercado.
ii) Qual é a relação do desempenho financeiro das empresas inovadoras e não inovadoras
em relação ao contexto econômico do país?
1.1 Objetivos
O objetivo geral desta tese foi verificar se as adoções das normas referentes à
governança corporativa influenciam no desempenho financeiro das empresas
consideradas inovadoras e não inovadoras, levando em conta, também, o ambiente
macroeconômico.
1.2 Hipóteses
Com base no que foi exposto e considerando que as empresas inovadoras tendem
a apresentar um desempenho financeiro superior ao de suas concorrentes e com a adoção
das melhores práticas de Governança Corporativa, teve-se como hipóteses deste estudo:
ações negociadas na B3, que apresentem níveis de governança, sendo, ainda, classificadas
como inovadoras em comparação com as não inovadoras, segundo o selo da ANPEI, em
um período econômico determinado. A questão da escolha de empresas inovadoras se
justifica porque estas apresentam um comportamento que busca um maior dinamismo nas
suas diferentes esferas de organização e também há a relação deste desempenho com o
cenário macroeconômico delimitado, dada sua relevância.
Com base no exposto, o texto está organizado em seis seções. Na primeira seção,
constam as informações gerais sobre a tese, levando em conta o problema a ser
pesquisado, hipóteses, objetivo e justificativa. Na segunda seção, são apresentados os
aspectos relevantes acerca da dos tópicos teoria da agência, governança corporativa,
teoria da firma, inovação, indicadores macroeconômicos e desempenho financeiro. Na
terceira seção, é apresentada a mensuração para o desempenho financeiro. Na quarta
seção, são abordados os aspectos metodológicos, levando em conta informações quanto
à classificação da pesquisa, amostragem e variáveis do modelo a ser utilizado. Na quinta
seção, é apresentado especificamente o modelo de painel e, na sexta e última seção, o
análise e interpretação dos dados.
24
2 REVISÃO DE LITERATURA
Nesta tese, será apresentada a fundamentação teórica sobre os seguintes tópicos: i)
teoria da agência; ii) teoria da firma e a nova teoria da firma; iii) governança corporativa;
iv) inovação; v) variáveis macroeconômicas; e vi) desempenho financeiro.
Com base no conceito de custo de agência, Jensen & Meckling (1976), os autores
apontaram como sendo: i) despesas com monitoramento das atividades dos agentes; ii)
despesas dos agentes em apresentar ao principal as medidas tomadas para resguardar o
interesse destes; e iii) despesas referentes à perda de riqueza do principal, no caso de
divergência entre as partes. Porém a execução de tais procedimentos teve como objetivo
minimizar os conflitos entre as partes, o que acabou, também, por levar a um outro tipo
de embate, neste caso, entre o principal e os credores da empresa. Isso ocorreu devido ao
fato de que tais despesas poderiam vir a diminuir os ganhos esperados dos credores, de
modo que tal questão levou a três novas situações a serem observadas. A primeira se dá
na utilização de capital de terceiros pelo acionista em novos investimentos, pois, sendo o
resultado esperado satisfatório, ambas as partes auferem ganhos, ao passo que, no caso
de insucesso, os credores poderão vir a não serem remunerados conforme o planejado.
Na segunda situação, quando a empresa está endividada e não pode fazer novos
investimentos, havendo, no caso, quaisquer ganhos extras, estes poderão vir a ser
direcionados, em grande parte, aos credores. E a terceira, e última, situação ocorre quando
25
o acionista opta por retirar seu capital próprio via pagamento de dividendos, havendo
somente sobras residuais para os credores. Com vistas a estas três possibilidades, cabe o
destaque para o estudo de Morck, Shleifer e Vishny (1988) que complementa o de Jensen
e Meckling (1976), ao observar que, em relação à teoria da estrutura de propriedade, o
valor da empresa deverá aumentar, quando o acionista possuir uma maior quantidade de
ações em seu poder, e, sendo eles, também, os gestores, poderá incorrer em um custo de
agência menor.
Outro aspecto relevante diz respeito à questão contratual, que é fundamental para
minimizar problemas de conflitos entre as partes, principal e agente, resguardando, assim,
os direitos de ambos e possibilitando uma gestão mais eficiente da empresa. Nesse
contexto, Milgrom e Roberts (1992) sugeriram a possibilidade de haver dois tipos de
contratos: i) o contrato First-Best, em que o principal remunera o agente com uma
determinada quantia em função de um trabalho previamente determinado e executado; e
ii) o contrato Second-Best, empregado quando não é possível se utilizar do contrato First-
Best, isto é, trata-se de um contrato de remuneração calculado em função do custo do
trabalho e de qualquer outro custo extra que possa existir. Contudo essa segunda opção
pode vir a ser temerária ao possibilitar a geração de um custo ainda maior. Outra
alternativa, ainda, seria a de remunerar o agente pelo seu desempenho no trabalho
contratado, embora seja um ganho variável, indo de acordo com sua atuação. Em
continuidade a esse tema, Posner (2002) citou, também, a possibilidade de haver três
outros tipos de contratos a serem elaborados entre as partes: i) Flat Rate Contract, em
que há somente um contrato com um valor pré-determinado já estabelecido para o agente;
ii) High Power Incentive Contract, um contrato de risco, em que, uma vez alcançado um
dado resultado, o agente será remunerado e, no caso de não atingimento, não haverá
qualquer remuneração; e iii) Mixed Contract, um contrato em que o risco é inerente ao
principal e ao agente, sendo que, no caso de atingimento, o principal remunera o agente
em um valor maior do que o negociado, mas, caso não ocorra o atingimento, o agente
receberá um valor a menor.
tecnologias, como, por exemplo, a máquina a vapor, o tear mecânico, o aço entre outros,
além de novas matérias-primas, esta atividade acabou por mudar de patamar, passando a
ter uma maior importância no cotidiano da sociedade. Basicamente, deixa de ser um
processo artesanal e passa a ter um caráter, agora, industrial. Com esta prerrogativa,
sinalizando o surgimento do que se considera empresa/firma, e também com a percepção
de um maior dinamismo na economia capitalista, Marshall (1982), no fim do século XIX,
observou que as empresas utilizavam novos processos industriais, de uma forma
acelerada, sendo que a correta alocação de recursos passou a ser muito significativa no
processo de condução da empresa/firma. Passa a ser observada como um agente que
possibilita uma produção em larga escala, em que os recursos são alocados de maneira
eficiente, isto é, visando gerar a maior produção possível e atender à sociedade. Segundo
Veblen (1997), a empresa era um agente que se utiliza de recursos técnicos, de novos
processos e novos produtos, com o objetivo de fornecer lucro. O objetivo real da empresa,
consequentemente, passava a ser, além de atender à sociedade, aumentar a riqueza do seu
acionista/proprietário.
assimetria de informação, em que uma das partes envolvidas possui mais informações do
que a outra, podendo gerar um desequilíbrio na relação esperada e a questão do risco
moral (moral hazard), em que um dos envolvidos pode vir a mudar seu comportamento
em função do que ocorre na questão contratual, visando maximizar seus ganhos de acordo
com o contexto. Quanto à segunda, teoria dos custos de transação, mais do que os custos
associados à produção, a firma incorre em outros tipos de custos, como, por exemplo,
para planejar, elaborar e negociar diversas transações do seu interesse. Dessa maneira,
estes custos acabam por serem inseridos nos processos, na sua fase inicial, de operação e
finalização dos diversos contratos que as firmas elaboram no seu ambiente interno e no
externo. O autor, de uma forma mais ampla, também vem a observar mais algumas outras
características referentes à firma, que trata de uma estrutura de governança com diversos
atributos que se inter-relacionam, via contratos, hierarquias, direitos, remunerações etc.
Assim uma nova abordagem foi apresentada, nos idos da década de 1970, em
relação à teoria da firma, que se denominou a Nova Teoria da Firma (NTF), termo oriundo
das ciências econômicas, que diz respeito a Nova Economia Institucional (NEI), que teve
sua origem nos estudos de Coase em relação a Teoria dos Custos de Transação que se
refere a todos os custos relacionados a uma transação econômica, como, por exemplo,
elaboração de contratos, pesquisas de mercado etc. Levando em conta essa mesma
abordagem, Williamson (1995) fez a junção da Teoria de Coase e da Teoria da
Racionalidade Limitada de Simon (1947), em que os indivíduos, ao serem oportunistas,
acabam não sendo aptos a fazerem os devidos cálculos para a determinação da sua escolha
ótima, necessitando, assim, de contratos e regras que minimizem tal comportamento.
Desse modo, segundo North (1991), essas instituições são vistas como algo que restrinja
o comportamento oportunistas dos agentes. Tal preceito apresenta o agente econômico
como um ente que está preocupado somente no seu interesse particular. Contudo, dada a
adoção de códigos de condutas, costumes, sanções e também de leis, direitos e deveres,
o comportamento oportunista acaba sendo cerceado nas suas próprias ações, uma vez que
não obedecem às instituições e suas regras poderão vir a ser penalizados. Tanto Samuels
(1995) como Rutherford (1999) observaram que essa teoria identifica que a racionalidade
limitada dos agentes tem uma influência decisiva de hábitos, normas e valores sociais
sobre o comportamento individual, que permite a manutenção da instituição, no caso, a
firma. Logo as instituições necessitam que haja determinadas normas e condutas a serem
implantadas, visando assegurar a perpetuação de uma matriz institucional ao longo do
tempo, o que passa a ser vital para coadunar os interesses dos envolvidos na administração
da firma e sua melhor performance. Daí emerge a necessidade da existência de uma nova
forma de se adequar às diferentes demandas dos envolvidos.
Porém foi o trabalho seminal de Jensen e Meckling (1976) que melhor salientou
a maneira pela qual se apresenta a questão da governança corporativa, pois esta fornece
a questão do agente-principal, em que há a existência de um contrato, segundo o qual uma
pessoa, denominada principal, formaliza um contrato com outra, denominada agente. Tal
contrato serve de base para uma cessão de autoridade, isto é, para a tomada de decisão,
entre o principal e o agente. Contudo os autores ainda observaram que tal cessão implica
uma relação em que ambos os envolvidos buscam maximizar suas utilidades, podendo
ocorrer, por parte do agente, um comportamento que poderá ir contra os interesses do
principal. Dessa forma, este terá de supervisionar e monitorar as decisões dos seus agentes
34
Contudo cabe, ainda, salientar que há vários outros fatores, que contribuíram para
o estudo da Governança Corporativa. Segundo Becht et al. (2002), ganham relevo os
muitos escândalos corporativos ocorridos nos Estados Unidos, em que diversas
adulterações de demonstrações contábeis, evasão fiscal, uso de informações privilegiadas
entre outros foram praticadas. Desse modo, a gestão das firmas passa a observar uma
responsabilidade, cada vez maior, dos seus administradores, assim como dos seus
acionistas. Por sua vez, deve ser destacado que a criação de fundos institucionais que
administram recursos de terceiros e os diversos processos de privatização, aquisição e
fusão ocorridos serviram para estimular o surgimento da Governança Corporativa, de
maneira a criar um ambiente de relações empresarial que forneça maior proteção às partes
envolvidas, minimizando qualquer outro infortúnio entre elas. Assim, ao se observar a
relevância da GC no ambiente empresarial, sua prática passa a ser bem vista pelo mercado
de maneira geral. Isto se dá, segundo Andrade e Rossetti (2006), devido aos benefícios
propiciados por sua adoção, a começar por evitar problemas de agência, má
administração, possíveis fraudes e, por sua vez, por criar um ambiente propício para a
absorção de recursos de investidores.
2.3.1 Definições
Com a adoção pelas empresas das normas de GC, essa se tornou um fator relevante
e diferenciado na condução administrativa das empresas, sendo considerado um
diferencial com vistas ao mercado como um todo. Foram, pois, diversos os autores que
se propuseram a abordar o tema GC. Nesse sentido, Shleifer e Vishny (1997) salientaram
que a GC deve adotar mecanismos que resguardem os investidores na obtenção de
retornos adequados para os seus investimentos, levando em conta a minimização de
conflitos entre as partes. Siffert (1998) observou que o tema basicamente surge a partir
da década de 30 com a teoria da agência em que o problema da agência surge quando o
acionista (denominado principal) contrata uma pessoa (denominado agente) para
35
Em relação ainda a GC, de acordo com Driver & Guedes (2012), esta representa
um meio de supervisionar a atuação dos gestores de modo que não tenham tanta
propensão ao risco, dado seu comportamento egoísta, o que poderia causar perdas futuras.
Já Cunha, Vogt e Degenhart (2016) observaram a GC como um conjunto de medidas que
visam proteger os investidores de uma possível perda de capital, de modo que a prática
de GC, na realidade, vislumbra um determinado gerenciamento que tem por meta
resguardar possíveis perdas para os seus acionistas e todos aqueles que possuam interesse
na empresa. Entre outras definições sobre GC, também devem ser consideradas as
apresentadas pela Comissão de Valores Mobiliários (CVM), pelo Instituto Brasileiro de
Governança Corporativa (IBGC), pelo Banco Nacional de Desenvolvimento Econômico
e Social (BNDES). Isso ocorre dada a relevância do tema para essas organizações.
CVM: conjunto de práticas que tem por finalidade otimizar o desempenho de uma companhia ao proteger
todas as partes interessadas, tais como investidores, empregados e credores, facilitando o acesso
ao capital.
BNDES: conjunto de processos, costumes, políticas, leis e normativos que regulam a administração da
empresa, a relação entre os atores envolvidos, o atingimento de metas, com mecanismos que
permitam maior controle ao quadro de gestores e usuários.
IBGC: sistema pelo qual as empresas e demais organizações são dirigidas, monitoradas e incentivadas,
via relacionamento entre sócios, conselhos de administração, diretoria, órgãos de fiscalização e
demais interessados.
OECD: sistema pelo qual as sociedades do setor público e privado são dirigidas e controladas, sendo a
estrutura da governança corporativa específica a distribuição dos direitos e das responsabilidades
entre os diversos atores da empresa.
Porém, uma vez que o mecanismo interno não se faça tão efetivo como esperado,
sugere-se também a utilização de mecanismos externos, isto é, de fora da empresa,
podendo ser considerados, como tal, o ambiente legal, auditora, participação dos
acionistas e do mercado de capital. A utilização dos mecanismos externos visa, pois,
esclarecer aos administradores a observância dos direitos da empresa e dos seus
acionistas, bem como a relevância dos mecanismos internos. Uma vez definidos esses
mecanismos, segundo Caldas Tambosi Filho e Vieira (2014), eles resultarão num atrativo
para investimentos, possibilitando gerar um bom desempenho. Pode-se afirmar que um
dos requisitos da GC está em se observar a necessidade de existir mecanismo de controle,
para resguardar o interesse dos acionistas, evitando conflito de interesses com os
administradores. No caso, Aguilera et al. (2015) citaram a existência de seis mecanismos
externos, sendo eles: marco legal, auditoria externa, militância dos stakeholders, agências
de classificação de rating, gestão corporativa e mídia. Tais mecanismos serão detalhados
a seguir.
Marco Legal
Segundo Aguilera et al. (2015), marco legal diz respeito à adoção de normas e princípios
aplicados nas bolsas de valores, assim como em instituições e de modo geral na sociedade.
Para Armitage et al. (2017), é imprescindível para determinar os direitos e
responsabilidades dos agentes envolvidos para com a empresa.
Auditoria externa
Gestão Corporativa
Este mecanismo é utilizado quando se observa que o valor da empresa difere do valor que
de mercado que de fato deveria apresentar, o que leva, segundo Denis & McConnell
(2003), investidores externos a optarem por tomar o controle da empresa. Já para Aguilera
et al. (2015), trata-se de uma motivação para que os gestores da empresa exerçam da
melhor forma possível a gestão da empresa, com o intuito de manter seu status quo.
Mídia
Sua relevância é apontada por Bednar, Boivie, & Prince (2013), em que a mídia vem a
exercer um tipo de persuasão ao comportamento das empresas quando a respeito das
políticas adotadas por esta. Isto ocorre, segundo Dai, Parwada, & Zhang (2015), devido
ao fato de que, uma vez que exista publicidade em relação às diversas tomadas de decisão
da empresa, isto leva a uma diminuição na assimetria de informação, a uma maior
responsabilidade do comportamento profissional dos gestores e a um maior cuidado em
relação a possíveis desavenças, nas mais diversas ordens.
Um outro aspecto citado por Rogers e Ribeiro (2006), para o caso brasileiro, foi a
criação do Novo Mercado e dos Níveis Diferenciados da Bovespa, servindo com um selo
de qualidade, uma vez que as empresas se dispuseram a adotar novas práticas de gestão.
Outro quesito também relevante neste contexto, trata, segundo os autores, do lançamento
dos American Depositary Receipts (ADRs), pois as instituições, ao se adequarem a tal
propósito, adotam essas práticas com mais veemência devido à exigência da Securities
and Exchange Division (SEC). Aguilera et al. (2015) afirmaram que a relevância do
controle externo na empresa é imprescindível, pois, uma vez que haja um ambiente legal
e auditorias, devidamente observadas pelos investidores, isso faz com que o
comportamento oportunista dos administradores seja minimizado. Outra situação é
apresentada por Silva et al. (2016), em que tais medidas de controle foram tomadas de
acordo com os princípios de melhores práticas de GC feitas pela Organização para
Cooperação e Desenvolvimento Econômico (OECD) (1999), sendo eles: i) direitos dos
acionistas, em relação a qualquer tipo de negociação envolvendo terceiros; ii) tratamento
igualitário dos acionistas, sejam eles minoritários, majoritários, estrangeiros ou nacionais;
iii) posição dos stakeholders (necessidade de acesso às informações relevantes); iv)
transparência no trato de informações (todos os fatos relevantes da empresa deverão ser
divulgados de forma ampla); e v) conselho de administração, deixando claro quais são as
suas devidas responsabilidades, no tocante à condução da empresa. Adoção de tais
mecanismos, tanto internos quanto externos, portanto, mostra-se relevante para a adoção
da GC, proporcionando benefícios a todos os envolvidos.
termo novo, já tem suas práticas sendo realizadas anteriormente, dado o conflito de
interesses entre administradores e proprietários ao longo dos tempos, embora Peixoto,
Forti e Santiago (2009) apontem que escândalos financeiros e fraudes corporativas, nos
Estados Unidos e na Europa, levaram a sua adoção. Hopt (2011) observou a relevância
do desenvolvimento da globalização nas economias também como algo que alavancou,
em muito, a sua adoção.
das informações financeiras. Na França, foi publicado o Relatório Vienot, que cita a
relevância de se ter a devida transparência pública para a remuneração dos diretores e
conselheiros, assim como a limitação de até cinco conselheiros e a criação de comitês —
especialmente os de auditoria de remuneração e também de eleição de conselheiros
independentes.
ocorrência desses escândalos, com vistas a possíveis benefícios oriundos desse controle.
Porém, a maioria das empresas ainda não conta com a devida participação de seus
gestores na observância de determinados controles, uma vez que não recebem uma
remuneração variável pelo seu bom desempenho, sendo assim algo não tão crucial,
diferentemente do que ocorre nos Estados Unidos. O papel dos acionistas se torna, assim,
mais relevante ao participar diretamente na condução da empresa, juntamente com os seus
gestores, inibindo qualquer tipo de manipulação dos resultados. Num contexto em que a
economia mundial foi marcada por esses escândalos, passou a ser uma preocupação, em
diversas esferas, o comportamento dos responsáveis pela elaboração dos relatórios
financeiros das empresas, gerando, logo, uma grave crise de confiança, no tocante à
elaboração das informações contábeis.
Período Características
1950-60 Gestão e controle familiar.
1970 Conselhos de administração.
1976 Lei das S.A.
1980 Fundos diversos.
1990 Abertura comercial e privatização.
Fonte: Elaborado pelo autor
Lei n.º 9.457/97, referente ao direito que os acionistas ordinários tinham de receber um
percentual do valor da empresa no caso da sua venda. Tal fato causou intensos conflitos
entre os investidores, demonstrando uma fragilidade nas relações da empresa com os seus
acionistas, salientando que, nessa época, a prática da governança era ainda bem pouco
explorada. Uma vez que continuavam a existir tais conflitos, ocorre a adoção da Lei n.º
10.303, promulgada em 2001, que busca uma nova adequação da Lei n.º 6.404/76, mais
conhecida como Lei das S.A., com vista a uma maior proteção ao acionista minoritário,
procurando, assim, oferecer a estes uma maior segurança, em relação aos seus direitos.
Sendo o mercado acionário o local em que a maioria das empresas tem seus títulos
negociados e elas, por sua vez, almejam adotar as boas práticas de GC, visando se
aprimorar frente aos investidores, foi constituída, em 2017, a Bolsa, Brasil, Balcão (B3),
46
ações à vista. Especificamente cada um dos níveis possui determinadas normas a serem
cumpridas. Cada nível abarca obrigações a serem cumpridas pelas empresas que desejam
aderir a eles, sendo cumulativas ao mudar de nível. Carvalho (2002) apontou que tal
diferenciação de nível vislumbra obter determinados benefícios no tocante ao mercado de
crédito, à redução de custos de capital e troca de acionistas. Scalzer e Costa (2008)
observaram que as empresas listadas nos níveis diferenciados de governança corporativa
tendem a ser mais conservadoras do que as empresas do mercado tradicional. Villa (2009)
percebeu que a adição das boas práticas de GC melhora o resultado das empresas. Porém
isso não se configura um requisito primordial, visto que o autor ressaltou casos de
empresas que não estavam listadas nos níveis diferenciados e apresentaram desempenho
superior às listadas. Para Correia, Silva e Martins (2015), as empresas que estão listadas
nos níveis diferenciados de governança corporativa apresentaram uma melhor qualidade
de governança corporativa, evidenciando um amadurecimento do mercado acionário
brasileiro devido à pulverização das ações com direito a voto. Assim os requisitos básicos
para cada nível de GC são:
Regra geral:
Regra geral: Regra geral:
20%
20% 20%
Regra
Regra Regra
alternativa:
alternativa: alternativa:
15%, (i) caso
15%, (i) caso 15%, (i) caso
o ADTV
o ADTV o ADTV
(average daily
(average daily (average daily
trading
trading trading
volume) seja
volume) seja volume) seja
igual ou
igual ou igual ou
superior a R$
superior a R$ superior a R$
20 milhões,
20 milhões, 20 milhões,
considerando
considerando considerando
os negócios
os negócios os negócios
realizados nos
realizados nos realizados nos
últimos 12
últimos 12 últimos 12
meses; ou (ii)
meses; ou (ii) meses; ou (ii)
na hipótese de
na hipótese de na hipótese de
ingresso no
ingresso no ingresso no
Novo
Nível 2, Nível 1,
Mercado,
concomitante concomitante
concomitante
mente ao IPO mente ao IPO
mente ao IPO
quando a quando a
quando a
oferta (a) for oferta (a) for
oferta (a) for
superior a R$ superior a R$
superior a R$
Percentual 2 bilhões; ou 2 bilhões; ou
25% a 25% a 2 bilhões; ou
mínimo de (b) enquadrar- (b) enquadrar- Não há
partir do 7º partir do 7º (b) enquadrar-
ações em se entre R$ 1 se entre R$ 1 regra
ano de ano de se entre R$ 1
circulação bilhão e R$ 2 bilhão e R$ 2 específica
listagem listagem bilhão e R$ 2
(free float) bilhões, desde bilhões, desde
bilhões, desde
que que
que
respeitadas as respeitadas as
respeitadas as
contrapartidas contrapartidas
contrapartidas
previstas no previstas no
previstas no
Regulamento. Regulamento.
Regulamento.
Em relação ao Em relação ao
Em relação ao
item 'ii', a item 'ii', a
item 'ii', a
companhia companhia
companhia
poderá manter poderá manter
poderá manter
o free float o free float
o free float
em 15% do em 15% do
em 15% do
capital social capital social
capital social
por 18 meses, por 18 meses,
por 18 meses,
sendo que, ao sendo que, ao
sendo que, ao
final deste final deste
final deste
período, o período, o
período, o
ADTV deve ADTV deve
ADTV deve
atingir o atingir o
atingir o
patamar de patamar de
patamar de
R$ 20 R$ 20
R$ 20
milhões, o milhões, o
milhões, o
qual deve ser qual deve ser
qual deve ser
consistente consistente
consistente
por 6 meses por 6 meses
por 6 meses
consecutivos consecutivos
consecutivos
49
Esforços de
dispersão
acionária,
exceto para
ofertas
destinadas a Esforços de Esforços de
um público dispersão dispersão
restrito de acionária, acionária,
Ofertas investidores, aplicando-se a aplicando-se a
Não há Não há Não há
Públicas de como, por mesma lógica mesma lógica
regra regra regra
Distribuição exemplo, do Novo do Novo
específica específica específica
de ações exclusivament Mercado Mercado
ea (vide Ofício (vide Ofício
investidores 736/2017- 736/2017-
profissionais DRE) DRE)
ou
qualificados
(vide Ofício
009/2023-
DIE)
Limitação de Limitação de
voto inferior a voto inferior a
Quórum Quórum
Vedação a 5% do capital, 5% do capital, Não há
qualificado qualificado Não há regra
disposições quórum quórum regra
e "cláusulas e "cláusulas específica
estatutárias qualificado e qualificado e específica
pétreas" pétreas"
"cláusulas "cláusulas
pétreas” pétreas”
Mínimo de Mínimo de
3 membros, 3 membros, Mínimo de 3
Mínimo de
dos quais, dos quais, Mínimo de 3 membros, dos
Mínimo de 5 3 membros,
pelo menos pelo menos membros quais, pelo
membros, dos dos quais,
20% devem 20% devem (conforme menos 20%
quais, pelo pelo menos
ser ser legislação), devem ser
menos, 20% 20% devem
independent independent dos quais, independentes
Composiçã devem ser ser
es es pelo menos, 2 (conforme
o do independentes independent
(conforme (conforme ou 20% (o legislação/
conselho de , com es
legislação/ legislação/ que for maior) regulamentaç
administraç mandato (conforme
regulamenta regulamenta devem ser ão), com
ão unificado de legislação/
ção), com ção), com independentes mandato
até 2 anos regulament
mandato mandato , com unificado de
(vide ofício ação; vide
unificado de unificado de mandato até 2 anos
010/2023- ofício
até 2 anos até 2 anos unificado de (vide ofício
DIE) 010/2023-
(vide ofício (vide ofício até 2 anos 010/2023-
DIE)
010/2023- 010/2023- DIE)
DIE) DIE)
Presidente do Presidente do Presidente do
conselho e conselho e conselho e
diretor diretor diretor
presidente ou presidente ou presidente ou
Presidente Presidente Presidente
principal principal principal
do conselho do conselho do conselho
executivo pela executivo pela executivo pela
e diretor e diretor e diretor
Vedação à mesma pessoa mesma pessoa mesma pessoa
presidente presidente presidente
acumulação (vide Ofício (vide Ofício (vide Ofício
ou principal ou principal ou principal
de cargos 010/2023- 010/2023- 010/2023-
executivo executivo executivo
DIE: exceção DIE: exceção DIE: exceção
pela mesma pela mesma pela mesma
à vedação à vedação à vedação
pessoa. pessoa. pessoa.
para para para
companhias companhias companhias
de menor de menor de menor
porte, nos porte, nos porte, nos
50
Manifestação
sobre
qualquer
oferta pública Manifestação
de aquisição sobre
de ações de qualquer
Obrigação emissão da oferta pública
do conselho Não há Não há companhia de aquisição Não
Não há regra
de regra regra (com de ações de há regra
específica
administraç específica específica conteúdo emissão da específica
ão mínimo, companhia
incluindo (com
alternativas à conteúdo
aceitação da mínimo)
OPA
disponíveis no
mercado)
Demonstraç
Conforme Conforme Conforme Traduzidas pa Conforme Conforme
ões
legislação legislação legislação ra o inglês legislação legislação
financeiras
Fatos
relevantes,
Informaçõe informações
s em inglês, sobre Não há regra
simultâneas Não há Não há proventos específica, Não há
Não há regra
à regra regra (aviso aos além das DFs regra
específica
divulgação específica específica acionistas ou (vide item específica
em comunicado acima)
português ao mercado) e
press release
de resultados
Realização,
em até 5 dias
úteis após a
divulgação de
resultados
trimestrais ou
Reunião das
Obrigatória Obrigatória
pública Facultativa Facultativa demonstraçõe Facultativa
(presencial) (presencial)
anual s financeiras,
de
apresentação
pública
(presencial,
por meio de
teleconferênci
51
a,
videoconferên
cia ou outro
meio que
permita a
participação a
distância)
sobre as
informações
divulgadas
Calendário
de eventos
Obrigatório Obrigatório Obrigatório Obrigatório Obrigatório Facultativo
corporativo
s
Regimentos
do Conselho
de
Administraçã
o, de seus
comitês de
assessorament
o e do
Conselho
Fiscal,
quando
instalado
Código de
conduta (com
conteúdo
mínimo)
com conteúdo
mínimo,
exceto a de
remuneração
Divulgação (i)
anual de
relatório
resumido do
comitê de
auditoria
estatutário
contemplando
os pontos
indicados no
regulamento;
ou (ii)
trimestral de
ata de reunião
do Conselho
de
Administraçã
o, informando
o reporte do
comitê de
auditoria não
estatutário
80% para 80% para
Concessão 100% para 100% para
100% para 100% para ações ON ações ON
de Tag ações ON e ações ON e
ações ON ações ON (conforme (conforme
Along PN PN
legislação) legislação)
Realização de
Realização
Realização OPA por Realização de
de OPA, no
de OPA, no preço justo, OPA, no
mínimo,
mínimo, com quórum mínimo, pelo
pelo valor
pelo valor de aceitação valor
econômicoe
Saída do econômico ou econômico
m caso de
segmento/O em caso de concordância em caso de
cancelament
ferta cancelament com a saída cancelamento
o de registro Não
Pública de o de registro do segmento de registro ou Não aplicável
ou saída do aplicável
Aquisição ou saída do de mais de 1/3 saída do
segmento,
de Ações segmento, dos titulares segmento,
exceto se
(OPA) exceto se das ações em exceto se
houver
houver circulação (ou houver
migração
migração percentual migração para
para Novo
para Novo maior previsto Novo
Mercado ou
Mercado no Estatuto Mercado
Nível 2
Social)
53
Adesão à
Câmara de
Obrigatória Obrigatória Obrigatória Obrigatória Facultativa Facultativa
Arbitragem
do Mercado
Obrigatória a
instalação de
comitê de
auditoria,
estatutário ou
não
Comitê de estatutário,
Facultativo Facultativo Facultativo Facultativo Facultativo
Auditoria que deve
atender aos
requisitos
indicados no
regulamento:
composição e
atribuições
Obrigatória a
existência de
área de
auditoria
Auditoria
Facultativa Facultativa interna que Facultativa Facultativa Facultativa
interna
deve atender
aos requisitos
indicados no
regulamento
Obrigatória a
implementaçã
o de funções
de
compliance,
controles
internos e
Compliance Facultativo Facultativo Facultativo Facultativo Facultativo
riscos
corporativos,
sendo vedada
a acumulação
com
atividades
operacionais
Fonte: B3
A adoção da prática de classificar as empresas com NDGC pretende sinalizar ao
mercado, de maneira geral, uma elevada correlação, no tocante, a uma maior apreciação
das ações e também a uma menor variação do valor destas. Bhojraj e Sengupta (2001)
apresentaram em seu estudo uma forte correlação de empresas que possuem tais níveis,
de modo que essas tendem a obter um baixo custo de capital, minimizando, assim, o seu
risco. Tal fato ainda é corroborado por Vieira e Mendes (2004) que afirmaram que a
adoção de práticas de governança permite a redução do custo de captação de recursos
para as empresas. Ainda, com o intuito de diferenciar ainda mais as empresas listadas, a
BM&FBOVESPA (2011) criou os índices: Índice de Ações com Governança Corporativa
Diferenciada (IGCX) e o Índice de Governança Trade (IGCT). Estes compõem uma
54
carteira teórica de ações, em que o primeiro apresenta as empresas que participam dos
três níveis de governança da bolsa e o segundo é mais restrito para aquelas empresas com
alta liquidez nas suas ações.
estrutura em que o controle acionário é mais diluído, havendo uma separação entre a
gestão e os controladores, em que há um sistema jurídico eficiente; por sua vez, o mercado
acionário é transparente para com os interessados, além de haver uma elevada liquidez.
No caso do Reino Unido, segundo Marinelli (2005), com a criação do Comitê Hampel,
ficou claro que o Conselho de Administração tem como premissa vislumbrar o progresso
das empresas no futuro, tendo, assim, uma maior responsabilidade. Diferentemente dos
EUA, no Reino Unido ocorre uma maior concentração acionária, havendo, logo, uma
maior regulação, no tocante a aquisições que possam vir a possibilitar a existência de
conflitos, em relação aos interesses dos acionistas.
Quanto ao modelo europeu, Marinelli (2005) destacou que este, muitas vezes
denominado germânico, caracteriza-se pela existência de grandes investidores que detêm
parcela significativa de ações, sendo eles bancos e instituições financeiras ou até mesmo
empresas. No caso da gestão, esta é bem mais controlada/centrada. Daí a existência de
dois tipos de conselhos, o de administração e o de supervisão, sendo o primeiro composto
de executivos da empresa e o segundo, de pessoas externas a ela. Quanto ao modelo
japonês, nota-se uma participação efetiva dos acionistas, principalmente dos bancos
credores ou investidores na administração das empresas, ocorrendo, assim, uma maior
interferência na condução da mesma, bem como nas estratégias a serem adotadas, na
medida em que estão mais inseridos no contexto da empresa. Há uma forte preocupação
com a proteção aos direitos dos acionistas minoritários, uma parceria de longo prazo.
Cabe destacar, por sua vez, a existência de dois aspectos relevantes que diferenciam este
modelo, japonês, dos anteriores. O primeiro diz respeito à questão relativa ao Conselho
de Administração, formado por diversos membros. O segundo diz respeito ao keiretsus,
que, de acordo com Andrade e Rosetti (2006), trata-se de um conglomerado de negócios,
que possui relação com a propriedade da empresa. Este conceito diz respeito a grupos de
empresas que acabam por interagir devido à posse de ações umas das outras. Ainda, para
os autores, independentemente do tipo de modelo adotado, a governança corporativa se
faz presente na interação entre três esferas: i) a propriedade, fiscalizando os atos
executados pelos gestores; ii) o Conselho de Administração, resguardando os interesses
dos investidores; e iii) a diretoria executiva que administra a empresa no seu dia a dia.
Merece destaque o modelo latino-americano, e, segundo Rosetti e Andrade (2014), tal
modelo apresenta peculiaridades que o diferencia, em muito, dos outros. A composição
acionária é concentrada, principalmente, no caso, das empresas familiares, sendo que o
56
(2011) cita as demonstrações contábeis, que são elaboradas com o intuito de apresentar
ao mercado a evolução de dados históricos da empresa, assim como as projeções futuras
de resultados, servindo, portanto, como uma ferramenta relevante para a mensuração do
desempenho das empresas. Borges et al. (2014) assinalaram que a análise do desempenho
financeiro é relevante pois é um instrumento que tem a finalidade de examinar a eficiência
das medidas tomadas e projetar o futuro. Neste mote, Perez e Famá (2015) observaram,
como fatores preponderantes no desempenho, a globalização e as inovações tecnológicas
por aumentarem a concorrência entre as empresas, sendo fatores fundamentais na
determinação de um desempenho superior ao se comparar uma empresa com outra.
Para Weston e Brigham (2000), o ROA é um índice que compara a relação entre
o lucro líquido e o ativo total da empresa, sendo que, para Kassai et al. (2002), trata-se
da verdadeira taxa de retorno, uma vez que, independentemente da estrutura de
financiamento, apresenta a capacidade que a empresa tem de gerar resultados. Assim o
ROA abarca informações sobre o quanto os ativos geram para a empresa, sendo que,
quanto maior o resultado, melhor o desempenho da empresa.
De acordo com Matarazzo (2003), a fórmula para cálculo do ROA é a razão entre
o lucro líquido após o imposto de renda e o ativo total.
Lucro Líquido
ROA = Ativo Total
NOPAT
ROIC = CI
sendo:
Xavier (2020) investigou os índices de rentabilidade das empresas, via ROA, ROE
e ROIC, que compõem o segmento do Novo Mercado listado na B3 (Brasil, Bolsa,
Balcão) em relação ao mercado tradicional, utilizando 229 empresas no ano de 2018,
sendo 130 do Novo Mercado e 99 do mercado tradicional.
desempenho destas firmas, a saber: Retorno sobre Ativos, Lucro antes dos juros, imposto,
depreciação e amortização (EBITDA), Q de Tobin, Índice de Governança Corporativa,
alavancagem e Tamanho. Luz (2013), por sua vez, salientou que os indicadores de
liquidez são índices eficientes para observar a possibilidade de solvência ou as
dificuldades financeiras da empresa, sendo relevante para informar aos stakeholders, no
caso, destacando os índices de liquidez corrente, liquidez seca, liquidez imediata e
liquidez geral e também o índice de liquidez imediata (disponível/passivo circulante) que
visa determinar a quantidade de recursos disponível que a empresa possui para honrar
suas obrigações.
Estudo feito por Silva et al. (2019) corroborou a utilização de índices de liquidez,
ao analisar 101 empresas da B3, no período de 2010 a 2016, utilizando análise fatorial
exploratória, demonstrando que tais índices de liquidez podem vir a se agrupar como um
único fator explicativo para a mensuração do desempenho. Entre os diversos estudos
abordando as variáveis de mensuração, citam-se:
Indicadores Fórmula
ROE Capital de Terceiros Petacchi (2015), Mapurunga,
Patrimônio Líquido Ponte e Oliveira (2015)
Nascimento et al. (2018).
ROA Lucro Líquido Bastos e Nakamura (2009) e
Ativo Total Vallandro (2009) Nascimento
et al. (2018)
ROIC Lucro Líquido Nascimento et al. (2018),
Vendas Líquidas Oliveira (2019) e Xavier (2020).
BtM Preço da ação Leal (2004). Carvalho, Maia,
Valor Contábil po Ação Louzada e Gonçalves (2017).
Legenda: Retorno sobre o Patrimônio Líquido (ROE); Retorno sobre o Ativo (ROA); Retorno sobre o
CapitalInvestido (ROIC); Book to Market (BtM); Índice Preço Lucro (P/L).
mas sim auferir lucro. Isso ocorre por a firma estar em um ambiente dinâmico, em que a
tomada de decisão ótima fica comprometida devido a esse mesmo dinamismo. Para os
autores, a inovação, em si, leva ao lucro. A questão da firma inovadora tem, assim, sua
relevância por se tratar de uma forma de a empresa apresentar uma fonte de vantagem
competitiva, sustentável, permitindo auferir maiores ganhos, em função da percepção da
diferenciação do seu produto pelo mercado e também da propensão de vir a gerar maiores
ganhos financeiros no futuro, dadas, ainda, as oportunidades de investimento surgidas.
Schumpeter (1985) citou a firma inovadora como sendo extremamente relevante para que
ocorra o desenvolvimento da inovação. Chandler (1990, 1992 a e b) as observou como
um ente que busca criar novos bens, procedimentos e novas estruturas organizacionais,
cabendo às firmas formalizarem suas áreas de pesquisa e desenvolvimento (P&D), no
caso, criar internamente laboratórios e centros de teste. De acordo, ainda, com o Manual
de Oslo — OCDE (1997) —, que trata de um referencial internacional da OCDE de
informações de atividades inovadoras, a firma inovadora é aquela que, em um dado
período de tempo, desenvolveu e implementou estratégias e processos em diversas áreas,
de modo a combiná-las e auferir resultados. Tidd, Bessant e Pavitt (1998) observaram que
a firma inovadora é vista como diversos entes que trabalham de forma organizada criando
um ambiente propício para a atividade inovadora. Bastos e Bueno (2002) consideraram
que a firma inovadora seria estabelecida com base no potencial das pessoas envolvidas
no processo produtivo, bem como nas suas habilidades na execução de um processo mais
eficaz. Contudo, ao se abordar o entendimento da capacidade de inovação, deve-se ter
maior destaque no processo inovador, em que se consideram determinadas competências.
abordada por Alves e Bomtempo (2007) trata da reunião de fatores e competências, que,
assim como a tecnológica, devem, também, ser levadas em conta, como a questão
organizacional interna e a questão relacional externa, com outras firmas. Em relação ao
ambiente interno, a questão cultural da empresa, sua missão, sua estratégia, a melhoria
contínua e as satisfações ao cliente devem ser vislumbradas. Junto a isso, há também os
processos internos adotados que devem ser considerados como o incentivo na
apresentação de ideias; a sua devida revisão e sua implementação levando em conta a
viabilidade; a mensuração dos desempenhos das partes envolvidas e o treinamento
contínuo. Por último, cita-se o aspecto externo que trata da relação da empresa com
clientes, fornecedores, investidores e principalmente com outras firmas, o que vai de
acordo com o proposto por Nonaka e Takeuchi (1995).
ii) Inovação como uma tarefa de todos na firma: no processo de inovação, a firma
como um todo precisa ter coesão nas suas competências de maneira equilibrada e
coordenada;
69
Quadro 10: Requisitos para uma firma ser considerada inovadora – Rothwell (1989)
Requisitos Características
Compromisso com a inovação. Busca no desenvolvimento de novos produtos.
Inovação como uma tarefa de todos. Coesão na participação.
Atenção ao mercado. Observar as necessidades.
Design eficiente e composição do produto. Desenvolvimento do produto.
Comunicação interna e externa eficaz. Troca de informações entre os envolvidos.
Habilidade Gerenciais. Pessoal qualificado.
Fonte: Rothwell (1989)
Por sua vez, para Tidd, Bessant e Pavitt (1997), a firma não é uma simples
estrutura organizacional, mas sim um organismo em que diversos setores interagem de
forma integrada com o objetivo de criar um grupo propício para gerar inovação. Para eles,
a firma inovadora possui dez componentes que determinarão seu bom desempenho. São
eles:
Quadro 11: Requisitos para uma firma ser considerada inovadora – Tidd et al. (1997)
Requisitos Características
Visão compartilhada e liderança. Aprendizado com a inovação.
Indivíduo chave. Gestor responsável pelo processo.
Treinamento e desenvolvimento contínuo. Ênfase no desempenho.
Envolvimento pessoal. Participação de todos na empresa.
Trabalho em grupo. Propor ideias e soluções.
Ambiente criativo. Liberdade de propor ideias.
Foco externo. Detectar necessidades do mercado.
Comunicação extensiva. Ampla troca de ideias entre as partes.
Aprendizagem organizacional. Processo elaborado em etapas.
Estrutura organizacional apropriada. Flexibilidade e sinergia.
Fonte: – Tidd et al. (1997)
71
Quadro 12: Quadro comparativo requisitos em inovação Rothwell (1989) x Tidd et al. (1987)
Compromisso com a inovação:
- Aprendizagem.
- Estrutura.
Inovação como uma tarefa de todos na firma:
- Treinamento.
- Envolvimento.
Atenção ao Mercado:
- Foco.
Design eficiente e composição do produto:
- Grupo.
- Ambiente.
Comunicação interna e externa eficaz:
- Comunicação.
Habilidades Gerenciais:
- Visão.
- Indivíduo chave.
Fonte: Rothwell (1989), Tidd et al. (1997) - adaptado pelo autor.
iv) Paradigma: mudanças nos modelos mentais subjacentes que orientam o que a
empresa faz.
Quanto a esse último aspecto, corrobora o que Siffert (1998) destacou, em relação
à estrutura organizacional da firma que é de fundamental importância, em termos de GC,
pois identifica mudanças de natureza estratégica para o possível controle das atividades.
Também, Crossan e Apaydin (2010) atestaram como determinantes relevantes a
inovação, quanto à administração gerencial da inovação, de modo a impactar no
desempenho, são eles:
i) liderança;
72
Adoção de tais práticas pelas firmas, no caso, segundo Amore et al. (2016),
apresenta, assim, algumas nuances referentes ao processo de decisão das firmas, como,
por exemplo, na gestão da inovação. Isso ocorre, segundo Cantista et al. (2008) e Chen
et al. (2009), devido ao fato de as atividades inovativas exigirem que diversos agentes, de
diferentes firmas com diferentes fontes de crédito, promovam estratégias empresariais
mais complexas do que as usuais, daí a relevância neste tipo de gestão. Dessa forma, para
Shapiro et al. (2015), pode-se compreender de uma melhor maneira a vinculação do
processo de inovação empresarial que leva à existência e manutenção da firma inovadora.
execução das atividades inovativas; iii) ferramentas para execução da estratégia; e iv)
métricas, indicadores e resultados para a devida mensuração. No quadro 14 são
apresentados modelos de auditoria.
IMP³rove
O IMP3rove (IMProvement of Innovation Management Performance with
sustainable IMPact) é uma metodologia desenvolvida pela União Europeia, com o
objetivo de fornecer auxílio a pequenas e médias empresas (Europe Innova - 2017). Para
tal, segundo Engel, Diedrichs e Brunswicker (2008), foram vislumbradas determinadas
práticas que levem em conta a inovação. Para tal, cinco dimensões são avaliadas nesse
77
Innovation Scoring
InnoCert
Radar de Inovação
Selo ANPEI
A Associação Nacional de Pesquisa e Desenvolvimento das Empresas Inovadoras
(ANPEI) representa segmentos de empresas e instituições inovadoras que atuam junto ao
governo e ao setor produtivo. O selo ANPEI, segundo Nirazawa; Gomes e Silveira (2013)
e ANPEI (2016a), tem como objetivo reconhecer e identificar as firmas que investem em
inovação e P&D. Segundo ANPEI (2016b), três são os fatores relevantes para as firmas.
O primeiro trata dos valores investidos em P&D, em comparação com o faturamento da
firma. O segundo fator leva em conta o percentual de profissionais (técnico, bacharel,
mestre e doutor) envolvidos nas atividades de P&D, em comparação com o total de
colaboradores da firma. O terceiro e último observa os resultados obtidos com a inovação,
sobre o faturamento dos últimos doze meses que foi realizado, via produtos lançados nos
três últimos anos. De acordo com Nirazawa; Gomes e Silveira (2013) e ANPEI (2016a),
as firmas são classificadas como inovadoras a partir de cinco critérios de inovação: i)
intenção de inovar (estratégia, visão, cultura e valores); ii) esforço para realizar a inovação
(recursos, processos e estrutura); iii) resultados obtidos (gerais específicos); iv) citações
(reconhecimento pelo mercado; e v) publicação de patentes (registro do conhecimento).
A métrica para essa determinação é estabelecida através da elaboração de um questionário
com duas partes. Na primeira, leva-se em conta a estrutura administrativa da firma; na
segunda, os cinco itens apresentados acima. Tais quesitos vão ao encontro ao que foi
apresentado por Rothwell (1989) e Tidd, Bessant e Pavitt (1997) ao determinarem o
conceito de firma inovadora. Há, ainda, questões quantitativas que correspondem a 60%
e questões qualitativas, correspondentes a 40%, sendo que o número de questões é
diferente para cada um dos cinco itens. Cabe destacar, também, entre os critérios
adotados, que a firma deve ter pelo menos 5% de participação privada no seu capital, bem
como receita líquida acima de R$ 500 milhões no Brasil nos seus dois últimos anos
fiscais.
Modelos Autores
IMP³ROVE. Engel; Diedrichs; Brunwickwer (2008); Europe
Innova (2017).
Innovation Scoring. Cardoso et al. (2009) e COTEC PORTUGAL
(2017).
InnoCERT. Zainal-Abdin et al. (2016) e SME Corp Malaysia
(2017).
Radar da Inovação. Sawhey; Wolcott; Arroniz (2006); Bachmann;
Destefani (2008), Andersen (2012) e Chen;
Sawhney; Neubaum (2013) e Vammen et al.
(2017).
PNI - Prêmio Nacional de Inovação. CNI (2015) e CNI (2017).
assim amplamente aceito pela academia. Kydland e Prescott (1982) e Long e Plosser
(1983) observaram que as variações (choques) na demanda e oferta, via preços, são
relevantes para a propagação de ciclos, pois leva à aquisição ou não de bens, de modo
que as empresas ajustam sua produção. Por sua vez, tanto Long e Ploser (1983) e Mankiw
(1989) observaram que a relevância das mudanças tecnológicas ao influenciar o
desempenho macroeconômico, pois choques de oferta e de produtividade advindo de
inovações são relevantes para a determinação do comportamento econômico do país.
Zarnowitz (1991) apontou que, nos países mais desenvolvidos, os ciclos variam em
duração e amplitude. Chauvet (2002) considerou relevante a identificação destes ciclos
uma vez que tais variações afetam a tomada de decisão das empresas e do governo. Para
Knopp (2010), tanto o crescimento quanto a recessão ocorrem da seguinte maneira: no
primeiro caso, há crescimento num período de dois ou mais trimestres, consecutivos do
Produto Interno Bruto (PIB); no segundo caso, o efeito é o contrário, dois ou mais
trimestres com queda no PIB.
Por sua vez, o estudo de Alvarez et al. (2010), utilizando a base de dados da
National Survey of Technological Innovation, detectou que as crises na economia geram
diversos efeitos, de ordem, organizacional, assim como trazem melhoria de processos e
desenvolvimento de novos produtos e processos. Neste contexto, Filippetti e Archibugi
(2011) apontaram que as empresas reagem de maneiras diferentes em relação a
investimentos em inovação durante uma crise econômica. Cabe o destaque que
determinadas características também devem ser levadas em consideração, como, por
exemplo, o nível de tecnologia a ser adotado e a solidez do sistema financeiro. Tal aspecto
corrobora o estudo de Paunov (2012) que observou que os investimentos em inovação
caem de forma significativa durante épocas de crises econômica, sendo que o mesmo
acontece na América Latina. Porém há a devida ênfase para as empresas que contam com
acesso a verbas governamentais, e, neste caso, ocorreu uma menor redução nos seus
investimentos, ao passo que as empresas mais novas tendem a abandonar seus projetos de
inovação com maior facilidade. Archibugi et al.(2013) utilizaram dados de 2.500 empresas
no Reino Unido, no período de 2004 a 2008, e observaram que novas empresas e também
empresas altamente inovadoras antes da crise vieram a investir mais em inovação do que
no decorrer desta. No entanto Kothari, Lewellen e Warner (2014), ao examinarem os
movimentos tanto de aceleração quanto da desaceleração da economia, consideraram
importante a questão da expectativa dos agentes econômicos, uma vez que, nos períodos
de crescimento econômico, a conjuntura leva a patamares superiores de emprego e
85
Bruneau et al. (2012), pois, no que concerne à análise dos dados, devem-se observar o
ambiente macroeconômico, para se ter um melhor entendimento dos indicadores, e as
possíveis tendências do mercado. Para Enqvist, Graham e Nikkinen (2014), a importância
da administração do capital de giro na rentabilidade de empresas, no caso, finlandesas,
leva à existência de uma influência entre as variáveis macroeconômicas e o capital de
giro/rentabilidade. Frösén, Jaakkola, Churakova e Tikkanen (2016) atestaram que
variações no desempenho da economia afetam o desempenho das empresas, quando há
uma relação de longo prazo com seus clientes. E para Dewi et al. (2019), observou-se que
os resultados das empresas, representados nos seus indicadores financeiros, podem sofrer
influência do comportamento econômico nos ambientes em que estão inseridos. Ainda,
Branten, Purju (2014); Fareed, Arsalan, Ayubi (2017) e Dewi, Soei, Surjoko (2019)
utilizaram indicadores macro e microeconômicos com o intuito de analisar o
comportamento dos indicadores de liquidez, estrutura de capital e rentabilidade. Tais
pesquisas podem, ainda, validar a influência das variáveis macroeconômicas no
desempenho das empresas de capital aberto brasileiras, levando em conta o desempenho
apresentado pela empresa.
Quanto à mensuração da oscilação dos ciclos econômicos, nota-se que Guidini et
al. (2007) e Bruneau, Bandt, Amri (2012) se utilizaram das variáveis Produto Interno
Bruto (PIB), taxa de juros, de câmbio e de emprego, sendo, nas suas concepções, variáveis
relevantes em relação ao desempenho financeiro das empresas. Coelho (2012) investigou
como variações na taxa de câmbio, PIB, inflação e taxa de juros impactam a liquidez
corrente das empresas listadas na B3, exceto as instituições financeiras e seguradoras, no
período de 2003 a 2011. Pandini et al. (2018) centraram sua investigação quanto à
influência do ambiente macroeconômico no Setor de Consumo da B3, no período de 2013
a 2016, sendo analisadas 64 empresas do Consumo Cíclico e Não Cíclico.
Quanto aos estudos que contemplam taxa de juros e mercado acionário, com vistas
ao desempenho financeiro. Gesk e Roll (1983) observaram uma relação inversa entre o
aumento na taxa de juros e o comportamento das bolsas de valores; dessa maneira, um
aumento na taxa de juros leva a uma queda no preço dos ativos, independentemente do
desempenho das empresas. Lastrapes (1998) verificou também uma relação direta entre
a taxa de juros e o valor dos ativos ao analisar este movimento em sete países. Oliveira
(2006) destacou que alterações na taxa de juros levam a modificações no mercado
acionário, tendo em vista as questões financeiras das empresas negociadas na bolsa em
relação à questão do endividamento na obtenção de recursos para investimentos entre
outros. Uma diminuição na taxa de juros leva, pois, os investidores a migrarem para o
88
mercado acionário com intuito de obter um maior retorno, havendo, assim, um reflexo no
desempenho das empresas. No Brasil, tal questão já foi estudada em diferentes trabalhos,
como nos de Oliveira e Frascaroli (2014), Bernardelli et al. (2016) e Santana, Lima e
Ferreira (2018), em contraponto aos trabalhos de Chen (2009) e Machado et al. (2018),
que observaram a existência de uma relação negativa da taxa Selic com o mercado
acionário.
Magolbo (2017) apresentou uma análise entre a relação do possível impacto que
a eficiência operacional tem sobre a rentabilidade de uma empresa, via ROA, ROE e
margem de lucro operacional. A amostra foi composta de 40 empresas, do setor de
consumo, listadas na BMF&BOVESPA, no período de 2016. A metodologia utilizada foi
o método de correlação linear. Conclui-se que há uma fraca correlação na análise, não
sendo possível determinar relação de causa e efeito entre eficiência operacional e índices
de rentabilidade com a amostragem utilizada.
Oliveira et al. (2018) analisaram a eficiência operacional entre companhias
pertencentes e não pertencentes à carteira teórica do Índice de Sustentabilidade
Empresarial (ISE) da BM&FBOVESPA. A amostra é composta de 159 companhias,
sendo 57 pertencentes e 102 não pertencentes à carteira, no período de 2005 a 2014.
Quanto ao desempenho financeiro, foram levados em conta os scores encontrados pelo
lucro operacional (output) das companhias analisadas e a relação com o ativo circulante,
o ativo imobilizado e o custo dos produtos vendidos (inputs). Utilizaram-se a abordagem
DEA (data envelopment analysis) e a análise envoltória de dados pelo método BCC,
também denominado retorno variável de escala (VRS - variable returns to scale). Os
autores concluíram que as companhias da carteira ISE apresentam eficiência operacional
inferior às demais companhias, à medida que não alcançaram eficiência operacional,
sendo que o fato de apresentar uma conduta sustentável não significa melhor eficiência
operacional.
Duarte e Souza Ribeiro (2018) investigaram o comportamento dos indicadores
operacionais sobre o valor das empresas no mercado de capital aberto brasileiro. A
amostra foi composta de empresas não financeiras, entre 2010 e 2017, listadas na
BMF&BOVESPA. A metodologia consistiu na utilização de regressões lineares
múltiplas, com o intuito de se comprovar o efeito de influência entre as variáveis. Entre
os resultados observados, foi possível determinar uma correlação entre as variáveis de
valor das empresas e as variáveis de eficiência operacional, com destaque para as
variáveis ROI, EBITDA e MB.
91
liquidez decorrente da variabilidade dos ativos e passivos de curto prazo e também dos
componentes de curto prazo dos ativos e passivos de longo prazo.
Entre os diferentes tipos de índices de liquidez, destacam-se aqueles que são
apresentados na sequência. Sendo eles os índices de liquidez: geral, corrente, seca e
imediata.
3.2.1 Índice de Liquidez Geral
Para Iudícibus (2013), esse índice representa a saúde financeira da empresa no
longo prazo, de modo que, sendo este maior que 1,00, sinaliza uma folga nos pagamentos,
e, caso contrário, observa-se a possibilidade de a empresa apresentar problemas no
pagamento das dívidas de curto e longo prazo.
𝒂𝒕𝒊𝒗𝒐 𝒄𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆
Liquidez Corrente =
𝒑𝒂𝒔𝒔𝒊𝒗𝒐 𝒄𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆
Para Assaf Neto (2015), este índice apresenta o valor das dívidas de curto prazo
que podem ser pagas com os itens monetários de maior liquidez do ativo circulante. Este
índice poderá vir a ser equivalente ao de liquidez corrente, observando que, no cálculo,
elimina-se o ativo circulante uma vez que pode apresentar um saldo inflado, isto é, perdeu
a capacidade de gerar benefícios futuros à entidade.
94
𝒂𝒕𝒊𝒗𝒐 𝒄𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆−𝒆𝒔𝒕𝒐𝒒𝒖𝒆𝒔
Liquidez Seca =
𝒑𝒂𝒔𝒔𝒊𝒗𝒐 𝒄𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆
2010 a 2017, utilizando dados em painel não balanceados. Para avaliar a estrutura de
capital, fez-se uso da razão entre dívida total sobre o patrimônio total; e, com relação ao
índice de liquidez, utilizou-se o de liquidez corrente; quanto ao desempenho financeiro,
o Q de Tobin. Os resultados observados mostram que a alavancagem afetou
positivamente o desempenho financeiro das empresas, assim como a liquidez também
apresentou um efeito positivo na relação de estrutura de capital e desempenho.
Hariyani et al. (2022) Analisou o efeito da Software IBM SPSS A estrutura de capital e
estrutura de capital, versão 25. a Liquidez afetam o
Liquidez sobre o lucro lucro, enquanto que o
de 77 empresas listadas ROA não apresentou
no Indonesian Stock efeito significativo.
Exchange (IDX).
Meshack (2022) Examinou o efeito da Modelo de dados em A alavancagem afetou
estrutura de capital painel não balanceados. positivamente o
sobre o desempenho desempenho e a
financeiro de 53 Liquidez apresentando
empresas não um efeito positivo na
financeiras listadas na relação de estrutura de
Bolsa de Valores de capital e desempenho.
Nairóbi.
99
𝑷𝒂𝒔𝒔𝒊𝒗𝒐 𝑪𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆
Composição Endiv. = 𝑷𝒂𝒔𝒔𝒊𝒗𝒐 𝑪𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆+𝑷𝒂𝒔𝒔𝒊𝒗𝒐 𝑵ã𝒐 𝑪𝒊𝒓𝒄𝒖𝒍𝒂𝒏𝒕𝒆
x 100
de 2013 a 2017, sendo que os indicadores em foco utilizados foram o saldo de tesouraria
de Fleuriet, liquidez corrente, endividamento geral, fator de insolvência de Kanitz e Valor
Econômico Agregado. Os resultados observados ao relacionar os indicadores acima,
especificamente com o Tamanho das empresas, foi de que, em alguns indicadores, notou-
se que as com menor ativo total apresentaram um desempenho financeiro melhor em
comparação com as outras, havendo, assim, um menor risco financeiro.
Quadro 19: Estudos sobre L Nativo (Tamanho)
3.5 Imobilizado
A relevância do ativo imobilizado está em representar os bens que a empresa
possui, sendo que estes são importantes para a produção, podendo vir a resultar num
105
melhor desempenho financeiro da empresa, ressaltando que tais bens ainda poderão vir a
ser fundamentais no processo inovativo da empresa, dadas a sua utilização e performance.
De acordo com o CPC 27 (2009), o ativo imobilizado diz respeito aos bens tangíveis, que
são utilizados num período maior de um ano e sob as mais diversas óticas: produção,
fornecimento de mercadorias, serviço, aluguéis e qualquer outro fim. Por sua vez, tal
imobilizado pode ser classificado como ativos depreciativos, exauríveis ou outros ativos
tangíveis. Dessa maneira, segundo a NBC TG 27 (R4), também se devem observar, nesse
ativo, os seguintes itens: a) critérios de mensuração utilizados para determinar o valor
contábil bruto; b) métodos de depreciação utilizados; c) vidas úteis ou as taxas de
depreciação utilizadas; d) valor contábil bruto e a depreciação acumulada (mais as perdas
por redução ao valor recuperável acumuladas) no início e no final do período; e e)
conciliação do valor contábil no início e no final do período. Assim tal conceito, bem
como sua mensuração, apresenta uma maior legitimidade nas informações contábeis
resultando na devida tomada de decisão para os investidores.
𝐴𝑡𝑖𝑣𝑜 𝑃𝑒𝑟𝑚𝑎𝑛𝑒𝑛𝑡𝑒
IPL = x100
𝑃𝑎𝑡𝑟𝑖𝑚ô𝑛𝑖𝑜 𝐿í𝑞𝑢𝑖𝑑𝑜
4 TRATAMENTO DE DADOS
O objetivo desta seção é descrever a metodologia utilizada para a elaboração e o
desenvolvimento deste estudo. Com essa finalidade, haverá as seguintes subdivisões: (i)
delineamento da pesquisa; (ii) população e seleção da amostra; (iii) variáveis da pesquisa;
e (iv) tratamento estatístico.
pelas empresas. Ainda, Diamandis e Drakos (2011); Sui e Sun (2016); Assefa; Esqueda
e Mollick (2017) observaram que os índices macroeconômicos influenciam o preço das
ações no mercado.
Ao se observar o desempenho financeiro de empresas listadas na B3, vale
apresentar estudos de Zeitun; Tian (2014), Markevicius e Giniunaite (2016), Pandini;
Stüpp; Fabre (2018), que examinaram os efeitos das variáveis macroeconômicas no
mercado de capitais. Contudo Goudie e Meeks (1991), Young (1995), Liu (2004),
Oliveira (2014) e Andrade e Melo (2016) apontaram em seus estudos que diversas
variáveis macroeconômicas podem servir para uma melhor compreensão quanto as suas
influências no desempenho financeiro das empresas. As variáveis macroeconômicas mais
utilizadas com vistas a apresentar a dinâmica econômica abarcam o desempenho
econômico, representado pelo Produto Interno Bruto (PIB), taxa de câmbio, risco-país,
desempenho dos mercados de capitais internacionais, inflação e, por último, as taxas de
juros internas e externas.
Para o presente estudo, foram utilizadas as seguintes variáveis
macroeconômicas: PIB para indicar o crescimento econômico do período; IPCA para
captar os efeitos da inflação; e o LFT, visando capturar os efeitos básicos das taxas de
juros. Ademais, para verificar os efeitos que a crise da COVID possa ter gerado no
desempenho das empresas selecionadas, foi utilizada uma dummy que assume valores
de 1, para períodos após 2020, e 0, para os períodos anteriores.
industriais
gerais
2730
Equipamento 8530 Seguros de
eléctrico e não vida
electrónico 8500 Seguros
2750
8570 Seguros de
Engenharia
vida
industrial
8630
2770
Investimentos e
Transporte
serviços
industrial 8600 Bens imobiliários
imóveis
2790 8670 Fundos de
Serviços de investimento
apoio imobiliário
3300 3350
Automóveis Automóveis 8770 Serviços
e e financeiros
componentes componentes
8980
3530 8700 Serviços Instrumentos de
Bebidas financeiros investimento de
3500
renda variável
Alimentação
8990
e bebidas 3570
Instrumentos de
Produtores
investimento de
de alimentos
renda fixa
3000 Bens 3720
de Produtos de
consumo uso 9530 Software e
doméstico e serviços
de informáticos
construção 9000 Tecnologia 9500 Tecnologia
3700
Produtos de de vivendas
uso pessoal e 9570 Hardware &
3740 Bens
doméstico equipamento de
de lazer
alta tecnologia
3760 Bens
de uso
pessoal
3780 Tabaco
Fonte: ICB (Industry Classification Benchmark
Para Wooldridge (2001), por sua vez, este tipo de regressão apresenta-se como
vantagem, no caso, a heterogeneidade dos agentes, um maior número de informações em
relação às variáveis explicativas, maior grau de liberdade e uma menor colinearidade. Tal
método, assim, mostra-se satisfatório ao considerar o efeito das variáveis
macroeconômicas em um dado período de tempo, relacionando estas com desempenho
financeiro, uma vez que cada empresa possui peculiaridades próprias que podem vir a
influenciar o seu desempenho. Ainda, segundo o autor, os efeitos fixos removem o efeito
destas peculiaridades, tendo, logo, uma melhor avaliação dos seus efeitos no desempenho.
Para Stock e Watson (2003), este modelo permite observar/controlar determinadas
variáveis, sem, contudo, observá-las na análise. Portanto este modelo permite a utilização
de um maior número de variáveis.
em que:
Assim, para cada agente i, há o mesmo número de dados temporais, neste caso
tem-se o painel balanceado (ou equilibrado). Caso contrário, caso o número de dados
temporais não seja o mesmo para todos os indivíduos, este se denomina não balanceado
(ou desbalanceado). Stock e Watson (2003) salientaram que este modelo serve para
controlar alguns tipos de variáveis que não aparecem sem a devida observação, de modo
a necessitar de dados, cuja observação deva ser feita em mais de um período de tempo.
Deve-se destacar, ainda, que, neste modelo, é possível tratar de um maior número de
observações, assim como aumentar o grau de liberdade das estimações e das propriedades
dos estimadores.
Neste caso, é assumido que, nos modelos de dados em painel, o erro não afeta as
variáveis explicativas, de modo que se deve definir qual tipo de modelo deverá ser
escolhido. Com relação aos modelos, podem-se citar três, sendo eles: modelo pooled
OLS, efeitos fixos e efeitos aleatórios.
sendo que i, e a variável do intercepto (ai), são diferente para cada unidade (ou indivíduo),
podendo, assim, ilustrar as diferenças que não sofrem alterações num dado período de
tempo.
como um parâmetro fixo. Quanto ao segundo caso, efeito aleatório, é considerado que as
diferenças são registradas no erro. Cabe destacar que a escolha entre ambos os modelos
considera a possível correlação entre os repressores X e o erro ui. No caso de não ser
observada a correlação, o efeito aleatório seria o mais convincente; caso seja observada a
correlação, cabe o efeito fixo. É plausível sublinhar que, no que concerne à ausência de
dados, isto é, quando ocorrem interrupções de dados nas séries temporais, o efeito fixo é
sugerido.
Neste sentido, para as variáveis CFROA, CFROE, CFROIC, P/L e BtM, foi
utilizada a seguinte equação para modelagens:
ii) Heterocedasticidade: este efeito ocorre devido às variâncias dos distúrbios estocásticos
não serem iguais, isto é, a variância observada dos erros não é contínua. Para Silveira,
Barros e Famá (2003), este teste observa se o modelo corrobora os três requisitos para um
modelo de regressão linear, sendo eles: a homocedasticidade dos termos de erro, a
especificação linear correta do modelo e a independência dos resíduos em relação aos
repressores. Para avaliar a homocedasticidade dos resíduos, foi utilizado o teste de
Breusch-Godfrey.
iii) Autocorrelação residual: tem como premissa, segundo Moreira (2009), que o erro
relacionado às observações não sofre influência por parte do erro de uma outra
observação. O autor ainda destaca que, para validar tal fato, é sugerido o teste de Durbin-
Watson para observar a existência ou não a ausência da autocorrelação nos resíduos,
sabendo que tem como resultado a falta de eficiência dos estimadores dos mínimos
quadrados ordinários. Uma vez observada tal condição, sugere-se a utilização do método
dos Mínimos Quadrados Generalizados (MQG) para efetuar os devidos ajustes; e
CFROA
Pooled RE
R² 0,0411 0,0064 0,0139
R² ajust 0,0368 -0,0517 0,0095
F 9,59 *** 3.0120*** 82,37***
CFROE
Pooled EF RE
R² 0.0144 0.0048 0.0078
R²ajust 0,1 0,0534 0,0034
F 3,2610*** 2,2490** 40,9400***
CFROIC
Pooled EF RE
R² 0,0198 0,0094 0,0127
R² ajust 0,0155 -0,485 0,0083
F 4,5290*** 4,4450*** 63,5500***
BTM
Pooled EF RE
R² 0,1748 0,1367 0,1269
R² ajust 0,1711 0,0863 0,1230
F 47,3900*** 73,9700*** 648,3000***
P/L
119
Pooled EF RE
R² 0,0048 0.0064 0,0032
Ajust 0,0004 -0,0517 -0,0012
F 1,0830 3,0160*** 16,4600
Fonte: Resultados da Pesquisa.
INOV apresentou correlação negativa de -0,0005 e p-valor de 0,0026. Tais valores podem
ser vistos na tabela 29.
6.2 Análise dos resultados das regressões das variáveis de desempenho por setor
Nesta seção, analisam-se as regressões em relação às variáveis CFROA, CFROE
e CFROIC em cada setor. Contudo é relevante destacar que estes setores individualmente
são compostos por diversos subsetores, promovendo, assim, uma ampla capilaridade e
peculiaridades na análise de cada um deles. Sendo assim, tais resultados alcançados
servirão de parâmetros para relacionar a outros estudos correlatos.
EFOP
CFROA CFROE CFROIC
Geral 0,0001 -0,0006* -0,0379
Discric -0,0004 -0,0095 0,0304
Padrao -0,0093** -0,0262 -0,0927***
Energia 0,0006 0,045** -0,0332
Imob -0,0006 0,0057 -2,1681
Ind 0,0234 0,0053 18,388
Mat Bas -0,0129 0,0556 -0,0499
Saude -0,00001 -0,0004*** 0,0008
Tecnol -0,0205*** -0,8064*** -0,4227*
Telecom -0,0006 0,1464 -0,222
Util -0,0029 -0,0109** 0,2464
Fonte: Resultados da Pesquisa.
20
15
10
-5
LIQ
CFROA CFROE CFROIC
Geral 0,0001 -0,0036 2,194
Discric 0,0027 0,0248 -0,0058
Padrao 0,0351** 0,0437 0,1578*
Energia -0,0004 0,0002 -0,0515
Imob 0,0047 -0,077 23,0314
Ind 0,0038 0,0305 2,8621
Mat Bas 0,0121*** 0,0015 0,0726**
Saude 0,0004 0,0014 -0,1106
Tecnol 0,00004 -0,024 0,1086***
Telecom 0,0007* 0,0002 0,0367***
Util -0,0034 -0,0054 -0,778
Fonte: Resultados da Pesquisa.
25
20
15
10
-5
deste setor muitas vezes são consideradas poluidoras e tais observações corroboram os
resultados apresentados nesta pesquisa.
ENDIV
CFROA CFROE CFROIC
Geral -0,0232 -0,2027 5,038
Discric -0,0284 0,0995 1,0372
Padrao -0,875*** -0,2759 -0,3257*
Energia -0,0612** -0,1599* -0,5067*
Imob -0,0342 -3,5655 10,9917
Ind -0,0183 -0,8222 -6,1749
Mat Bas -0,0592*** 0,2505 -0,167*
Saude -0,0403** -0,0263 -0,5318
Tecnol 0,0627 1,0326 1,5059
Telecom 0,0335 0,5222* -0,022
Util -0,0221 0,1799 5,5984
Fonte: Resultados da Pesquisa.
Assim, com base nos dados acima da tabela 10, foi elaborado o gráfico 03.
134
12
10
8
6
4
2
0
-2
-4
-6
-8
IMOB
CFROA CFROE CFROIC
Geral -0,0039 0,1676 -3,256
Discric 0,0417 0,3105 -1,6987*
Padrao 0,0521 -0,0577 -0,0073
Energia 0,0212 0,1549** -1,1985
Imob 0,3152 -3,032 -189,0213
Ind -0,0394 0,476 -17,03665
Mat Bas 0,0007 -0,0438** 0,2562
Saude 0,0679 0,1449** -0,4957
Tecnol -0,1894 2,2821 -5,8712***
Telecom 0,0309 -0,0229 -0,2146
Util -0,0087 -0,0908 -12,7809**
Fonte: Resultados da Pesquisa.
50
-50
-100
-150
-200
investimentos, sendo que, em função do que foi observado nesta pesquisa, os valores
apurados exibiram resultados inconclusivos.
L NATIVO
CFROA CFROE CFROIC
Geral -0,0019 0,06 -0,3934
Discric 0,0417 0,0326 -1,6987*
Padrao 0,0521 0,1187** -0,0073
Energia 0,0212 0,0144 -1,1985
Imob 0,3152 0,6027 -189,0213
Ind -0,0394 -0,2749** -17,0365
Mat Bas 0,0007 0,07 0,2562
Saude 0,0679 -0,0221* -0,4957
Tecnol -0,1894 0.7657*** -5,8712***
Telecom -0,0309 0,6169 -0,2146
Util -0,0087 0,0288 -12,7809**
Fonte: Resultados da Pesquisa.
50
-50
-100
-150
-200
nos investimentos de 380 empresas, sendo 58 empresas do setor cíclico listadas na B3,
entre 2010 e 2018. No caso, observaram que, no total das empresas analisadas, a relação
proposta não apresentou significância estatística, e tal observação contraria o observado
nesta pesquisa; contudo cabe destacar que a amostra utilizada nesta pesquisa contempla
somente as empresas do setor analisado. Quanto às variáveis Tamanho e ROIC, ambas
apresentaram uma relação negativa com o montante dos investimentos corporativos, o
que, apesar da distinção, está de acordo com o observado.
Para o setor industrial que apresentou nível de significância de 5%, Andrade et al.
(2020) analisaram 316 empresas, listadas na B3, considerando os setores regulados e não
regulados, no período de 2010 a 2018, relacionando a agressividade fiscal e sua
rentabilidade. No caso, os subsetores analisados foram: energia elétrica, petróleo e gás,
telecomunicações e transporte e mineração que se incorporam ao setor industrial. O
resultado observado pelos autores apresenta que a variável Tamanho apresenta correlação
negativa e significativa sobre o ROE e que também com as outras variáveis de
rentabilidade. Tal constatação está de acordo com o observado na pesquisa.
variável Tamanho, esta também apresentou significância em relação à variável ROA, mas
não especificamente ao ROE. Tais resultados assinalam o grau de significância da
relação, o que foi observado nesta pesquisa. Contudo tal correlação se apresentou
negativa, na pesquisa, dado que as bases utilizadas apresentaram diferentes empresas, o
que pode levar a resultados diferentes.
16
14
12
10
8
6
4
2
0
-2 2016 2017 2018 2019 2020 2021 2022
-4
-6
Tabela 13- Resultados da regressão das Variáveis Macroeconômicas x CFROA por setor
CFROA
PIB IPCA LFT
Geral -0,4748 0,0002 -0,2798
Discric -0,1844 -0,0007 -0,1194
Padrao -0,5197 0.0022 -0,8806***
Energia -0,1962 -0,0003 -0,7478***
Imob -0,4121 0,0023 0,3819
Ind -0,7779 0,004 0,3582
Mat Bas -0,5931 -0,0016 -0,8616*
Saude 0,6861 -0,0025 0,3653
Tecnol -2,6548** -0,006 -1,0488***
Telecom 0,2163 -0,0117 -2,2083***
Util -0,9969*** -0,0002 0,2351
Fonte: Resultados da Pesquisa.
148
Quanto aos resultados das correlações da tabela 14, estes são apresentados no
gráfico 7 abaixo.
1,5
0,5
-0,5
-1
-1,5
-2
-2,5
-3
tenha sido observada relevância estatística, apresenta correlação negativa. Quanto ao PIB,
a autora concluiu que há uma correlação positiva entre esta variável e o ROA, o que não
foi observado nesta pesquisa. Quanto ao setor de utilidades, a autora destaca que este
setor apresenta relação com nível de significância de 1% com correlação negativa,
elemento que está de acordo com o observado neste estudo.
Tabela 14- Resultados da regressão das Variáveis Macroeconômicas x CFROE por setor
CFROE
PIB IPCA LFT
Geral 3,163 -0,0219 -3,541
Discric 0,1792* -0,0762 4,2118
Padrao -17,1942 -0,682 -10,4805*
Energia 0,4315 0,0049 -2,78*
Imob -8,9851 -0,0098 -2,3066
Ind 1,338 0,0648 -4,1959
Mat Bas -24,887 -0,0239 -12,958**
Saude 1,7132 -0,0029 -1,199
Tecnol -21,9495 0,105 -27,1084
Telecom -2,1027 0,0467 -27,7646
Util -33,953*** 0,0021 0,8167
Fonte: Resultados da Pesquisa.
10
5
0
Geral Discric Padrao Energia Imob Ind Mat Bas Saude Tecnol Telecom Util
-5
-10
-15
-20
-25
-30
-35
-40
Tabela 15- Resultados da regressão das Variáveis Macroeconômicas x CFROIC por setor
CFROIC
PIB IPCA LFT
Geral -26,24 0,9052 -38,38
Discric -10,4369 0,0043 8,2083
Padrao -3,0979 0,0129 -2,7305
Energia 1,0957 -0,0131 -0,8745
Imob 792,0066 10,3226 1579,991
Ind 234,1805 0,5488 28,0175
Mat Bas -2,407 0,0179 -5,0459
Saude 23,0633 -0,0353 -3,5192
Tecnol -41,6014** 0,4084 -12,5583
Telecom 13,9965 -0,0743 -14,0105*
Util -255,9406** -2,2853 -66,5606
Fonte: Resultados da Pesquisa.
2000
1500
1000
500
-500
COVID
CFROA CFROE CFROIC
Geral 0,0013 0,0012 -2,0150
Discric -0,0058 -0,024 -0,6846
Padrao -0,0031 0,1381 0,0081
Energia 0,0026 0,0099 -0,1793
Imob -0,0055 -0,2701 -19,2018
Ind 0,0146** 0,1134** 2,7897
Mat Bas 0,0046 -0,0004 0,0408
Saude 0,0071* 0,0128 0,1012
Tecnol -0,0296*** -0,7001** -0,1829
Telecom -0,0099 0,221 -0,0933
Util 0,0069*** 0,0359 1,6706
Fonte: Resultados da Pesquisa.
-5
-10
-15
-20
-25
Para o setor de bens industriais, Costa (2021) analisou de que forma a pandemia
afetou o setor de bens industriais. O autor utilizou dados das empresas listadas na B3,
exceto o setor financeiro, entre 2019 e 2020, e apurou que nem todos os setores
apresentaram comportamento similar em relação ao ROA. No caso, o setor de bens
industriais apresentou uma variação de 1,625 no ROA. Quanto ao ROE, o autor averiguou
uma variação negativa de -0,658. Em relação aos dados resultados obtidos nesta pesquisa,
o ROA está de acordo com o encontrado; por sua vez, o ROE apresentou diferença. Tal
discrepância pode ser analisada em se tratando do período temporal analisado por esta
pesquisa, em comparação ao apresentado neste artigo. Quanto ao setor de utilidades, o
158
autor examinou que o ROA apurou variação negativa de -0,019 e ROE, variação positiva
de 0,446. Tais observações estão de acordo com o observado nesta pesquisa.
Finalmente, o setor de saúde foi investigado por Guedes (2021), o qual focalizou
o desempenho econômico-financeiro das empresas listadas na B3 do segmento de
serviços médicos hospitalares entre 2018 e 2020 e concluiu que o ROA destas diminui
16,06% em 2019 e 21,57% no ano de 2020. Tal observação não está de acordo com o
constatado nesta pesquisa, devido à questão do período temporal analisado, que
contempla o período antes da pandemia e sua devida recuperação e também a abrangência
de outros subsetores do setor de saúde.
159
INOV
CFROA CFROE CFROIC
Geral -0,0005 0,0157 0,6173
Discric -0,0017 -0,001 -0,2787*
Padrao -0,0014 -0,0785 -0,0016
Energia
Imob
Ind 0,0046 -0,0309 -2,1957
Mat Bas 0,0075 0,1766 0,0028
Saude -0,0096 -0,0251*** 0,0482
Tecnol -0,0066 0,1608* -0,716***
Telecom 0,0029 -0,1089 -0,0293
Util -0,0021 -0,0169* 1,1479
Fonte: Resultados da Pesquisa.
20
15
10
-5
-10
BTM Efop BTM Liq BTM End BTM Imob BTM L nativo
Para o setor de utilidade pública, Jordão (2019) analisou a forma pela qual o
capital intelectual da empresa pode influenciar a sua rentabilidade. O capital intelectual é
um dos fatores a serem levados em conta na determinação da firma inovadora. Sua
amostra foi das empresas listadas na BM&F Bovespa entre 2005 e 2014. O autor
corroborou estudos de Roos et al. (1997), Edvinsson e Malone (1997) e Sveiby (1997),
concluindo que há uma correlação positiva entre a inovação, no caso o capital intelectual
e os indicadores de rentabilidade, no caso ROA, ROE e ROIC, com nível de significância
superior a 1%. Tal conclusão está de acordo com os dados apresentados nesta pesquisa.
BtM
Efop Liq End Imob L nativo
Geral -0,004*** -0,0781** -0,258 0,007 -0,746***
Discric -0,0275 -0,2595 -1,2253* 0,0826 -0,5001*
Padrao -0,1867 0,0899 -1,3447 -0,0181 -0,3748
Energia -0,1752* 0,0206 0,7142 -0,1059 0,007
Imob -0,0016 0,0077 0,2258 15,4875 -0,1744
Ind -0,1694 -0,1148 0,9362 0,4131 -0,6593*
Mat Bas -0,2002*** 0,1072** -0,3444 0,37 0,1303
Saude -0,0074*** -0,1163 1,1399 1,9005 -1,6088***
Tecnol -0,9235 -0,1637** -3,9733 -6,9195 -4,9826**
Telecom 0,2364 -0,1015*** 1,083** -0,1544 -1,428***
Util -0,0541* 0,0163 -0,2649** 0,2568 -0,3966***
Fonte: Resultados da Pesquisa.
Em relação aos resultados apresentados, foi gerado o gráfico 12 com base nos
valores da tabela 19.
20
15
10
-5
-10
BTM Efop BTM Liq BTM End BTM Imob BTM L nativo
variável BtM, esta não apresentou nível de significância, salientando que tal benefício
não significa que este proverá um aumento no valor de mercado. Salienta-se que se trata
de um determinado segmento, enquanto o presente trabalho analisa o setor de consumo
discricionário como um todo. Neste caso, os resultados apresentados são inconclusivos.
O setor de materiais básicos, por sua vez, apresentou nível de significância para
as variáveis EFOP (-0,2002) e LIQ (0,1072) com nível de significância de 1% e 5%
respectivamente. Forti, Peixoto e Alves (2015) buscaram determinar quais fatores afetam
a política de distribuição de dividendos nas 32 empresas listadas na B3, do setor de
material básico, no período de 2010 a 2016. Os autores avaliaram diversas variáveis, entre
elas o BtM e a Liquidez. Os resultados apresentados indicaram que o Tamanho influencia
de modo positivo a distribuição de dividendo pela empresa, apresentando, assim, um
comportamento similar ao detectado nesta pesquisa. Quanto à eficiência operacional, esta
165
não foi observada pelos autores. Esta observação indica uma correlação positiva
apresentada nesta pesquisa indo de acordo com o detectado nesta pesquisa. Em relação à
eficiência operacional para este setor, Monteiro (2021) avaliou a utilização das operações
de hedge accounting em relação ao desempenho das empresas para as empresas do setor
de material básico, listadas na B3, entre 2010 e 2020. Os autores identificaram que a
eficiência operacional é diferente, no caso da eficiência de gestão, mesmo havendo
investimentos em ativos, sendo que o retorno dos investimentos assim como a própria
eficiência operacional apresentaram resultados negativos, estando de acordo com o
observado nesta pesquisa.
sendo que todos os demais setores apresentaram nível de significância de 1%. E para a
variável LFT, os setores de consumo padrão, energia e tecnologia da informação não
apresentaram níveis de significância, sendo que o setor de telecomunicações obteve nível
de 10%; o setor de saúde, 5%; e outros setores, 1%.
BtM
PIB IPCA LFT
Geral 11.48*** -0,1159*** -38,343***
Discric 10,9817 0,2211*** -63,5246***
Padrao 1,2564 -0,1199*** -9,0139
Energia 7,6227 -0,0485 -25,7884
Imob -5,3602 -0,1499*** -27,9963***
Ind 25,9085* -0,1015*** -35,6096***
Mat Bas 16,6443*** -0,0011 -23,0208***
Saude 18,8722** -0,3028*** -34,5197**
Tecnol 48,1948 0,1896 -90,5060
Telecom 19,0437*** -0,0231 -54,7604*
Util 4,5275 -0,0186 -15,8059***
Fonte: Resultados da Pesquisa.
60
40
20
-20
-40
-60
-80
-100
Por se tratar de uma análise que engloba todos os setores listados na B3, Alencar
et al. (2022) analisaram o impacto da pandemia, da GC e do desempenho financeiro e de
mercado de 205 empresas listadas na B3 entre 2011 e 2020, utilizando o EBITDA e o
BtM. Para os autores, a pandemia afetou positivamente o desempenho das empresas,
embora variasse de setor para setor podendo, ainda, ser positivo ou negativo. No caso, a
análise feita pelos autores observou nível de significância de 1% para as empresas de
consumo padrão e saúde, com correlação positiva, o que corrobora os resultados
apresentados nesta pesquisa. Em relação aos setores de telecomunicações e utilidade
pública, foi observada correlação positiva com nível de significância de 1%; no caso do
setor de telecomunicação, não foi observada neste trabalho correlação positiva, mas sim
negativa. Há também o setor de tecnologia da informação, que apresentou correlação
negativa com o mesmo nível de significância dos anteriores, porém, na presente pesquisa,
a correlação foi positiva.
169
BtM/COVID
Geral 0,2284***
Discric 0,0862
Padrao 0,0952
Energia
Imob -0,0056
Ind 0,4361**
Mat Bas 0,1065*
Saude 0,0714
Tecnol 2,8138***
Telecom -0,1272
Util 0,2155**
Fonte: Resultados da Pesquisa.
2,5
1,5
0,5
-0,5
BtM/INOV
Geral -0,0657
Discric -0,2299
Padrao 0,115
Energia
Imob
Ind -0,2393
Mat Bas -0,2137**
Saude 1,127***
Tecnol -0,8759
Telec -0,2845 *
Util -0,1829**
Fonte: Resultados da Pesquisa.
1,5
0,5
0
Geral Discric Padrao Energia Imob Ind Mat Bas Saude Tecnol Telecom
-0,5
-1
P/L
Efop Liq End Imob L nativo
Geral 0.0885 16,62 -146,7 -131,6 -4,389
Discric 5,3142 10,6573* -2,9887 207,7592 11,6745
Padrao -34,9748 -79,526* -359,1105 -501,2392 84,9553
Energia -5,7725 17,5174** -327,9663 -193,5338 168,8909***
Imob -2,3944 -15,4476 521,5513 -241,1743 53,1425
Ind -56,8539 33,2536** -40,0621 -517,355 11,4489
Mat Bas -64,2531 -9,5752** -22,0829 108,5589 15,726
Saude 0,3034 -10,8099 -33,3756 -430,9388 -39,6823
Tecnol -179,1309 11,345* 85,5502 -707,236 -211,6548
Telecom -23,3145 20,3107*** 11,2711 -95,7934 40,5038
Util 27,3447 28,7925 -1397,787 -345,54 -63,6424
Fonte: Resultados da Pesquisa.
Com base nos resultados apresentados na tabela 23 foi elaborado o gráfico 16.
1000
500
-500
-1000
-1500
P/L Efop P/L Liq P/L End P/L Imob P/L L nativo
6.7.1 Análise das Variáveis Macroeconômicas na variável P/L para cada setor
Quanto à correlação da variável P/L, com as variáveis macroeconômicas PIB,
IPCA e LFT, os resultados apurados nas regressões apresentaram os seguintes valores:
PIB (-1621); IPCA (-10,69) e LFT (875,8). Nenhuma destas apresentou nível de
significância.
P/L
PIB IPCA LFT
Geral -1621 -10,69 875,8
Discric 3114,83 -0,9186 3735,359***
Padrao -4676,966* -17,4554 8244,37*
Energia -4491,105 15,1316 2058,517
Imob -910,4194 -42,8358* 608,8358
Ind 2436,596 -18,7844 -1203,791
Mat Bas -2121,32 8,9446 -487,5297
Saude -3677,256 -0,5327 -1332,262
Tecnol -442,5091 88,0898 -14.178,32*
Telecom -4075,15** -21,4331 -1116,558
Util -10036,03 -20,1262 3737,099
Fonte: Resultados da Pesquisa.
Com base nos resultados apurados na tabela 24 foi elaborado o gráfico 17.
10000
5000
-5000
-10000
-15000
-20000
estudos, mais atuais, citam a análise de Monteiro (2016) que apresentou uma análise de
cointegração e causalidade entre as variáveis taxa câmbio, juros, inflação, PIB e o Índice
Bovespa, no período entre 1996 e 2013. Os resultados apurados apontam que as variáveis
PIB e juros apresentam cointegração com o IBOVESPA. Tal estudo aponta o que foi
observado nesta pesquisa acerca da influência das variáveis PIB e LFT nas correlações
observadas. O estudo de Machado, Gartner e Machado (2017) analisou a relação entre o
Índice Bovespa e as variáveis macroeconômicas, via modelo de Markov-Switching,
levando em conta as variáveis INPC, oferta de moeda – M1, taxa SELIC, PIB,
importações, exportações e taxa de câmbio, no período de janeiro de 1999 até junho de
2017. Os autores concluíram que a oferta de moeda, PIB, taxa SELIC, importações,
exportações e taxa de câmbio apresentam correlação com o Índice Bovespa, porém não
sendo observado no INPC. Theodoro (2018) analisou a relação entre o Índice Bovespa e
as variáveis macroeconômicas, taxas de câmbio PTAX, SELIC, PIB e IPCA, em relação
a períodos de crises, entre janeiro de 2007 e janeiro de 2017, via estimação por VAR e
testes de Granger. Segundo o estudo mencionado, foi concluído que ocorre uma relação
significativa entre o Índice Bovespa e a taxa de câmbio, por sua vez não foi observada
correlação significativa entre este índice e as outras variáveis macroeconômicas.
P/L COVID
Geral 11,63
Discric -27,1597
Padrao 27,0114
Energia -22,4142
Imob 608,4598
Ind -31,1282
Mat Bas -12,0765
Saude 27,0023
Tecnol 60,3353
Telecom 8,1383
Util 92,2082
Fonte: Resultados da Pesquisa.
Com base nos resultados da tabela 25, foi elaborado o gráfico 18.
700
600
500
400
300
200
100
-100
P/L INOV
Geral -105,9
Discric -50,2267
Padrao -6,2405
Energia
Imob 12,1592
Ind -68,6198
Mat Bas -21,408
Saude -267,208***
Tecnol -103,47**
Telecom 10,2107
Util -194,117
Fonte: Resultados da Pesquisa.
Título do Gráfico
50
-50
-100
-150
-200
-250
-300
Segundo Nunes et al. (2020), o segmento imobiliário serve como uma medida da
economia nacional, uma vez que o setor de construção civil tem forte relevância na
geração de empregos, sendo que este segmento, nos últimos anos, representou 10% da
181
economia nacional. Porém, a partir da crise de 2008, embora tenha sido um período de
crise, Henrique et al. (2022) observaram que o setor de construção começou a apresentar
um crescimento relevante, devido a uma expansão no crédito e na baixa na taxa de juros,
o que acarretou aumento no preço dos imóveis.
A variável COVID, por sua vez, também não apresentou nível de significância
para nenhum dos setores, sendo que obteve resultado negativo somente o nível Novo
Mercado. E por último, a variável INOV, inicialmente, não apresentou resultado para o
setor Bovespa Mais. Quanto aos níveis Básico e Nível 1 e 2, estes apresentaram resultados
positivo, como nível de significância de 1% para o primeiro, no caso, o nível Básico
(0,0158) e resultado negativo para o nível Novo Mercado. Todos esses resultados estão
apresentados na tabela 27 abaixo.
Com base nos valores apresentados, na tabela 27, foi elaborado o gráfico 20.
183
0,2
0,15
0,1
0,05
0
Efop Liq End Imob Lnativo
-0,05
-0,1
-0,15
-0,2
-0,25
apontados nesta pesquisa, sendo que o valor que mais se aproxima foi o nível Bovespa
Mais.
0,200
0,000
Basico Bov Mais Nivel 1 e 2 NM
-0,200
-0,400
-0,600
-0,800
-1,000
-1,200
-1,400
-1,600
0,018
0,016
0,014
0,012
0,01
0,008
0,006
0,004
0,002
0
Basico Bov Mais Nivel 1 e 2 NM
-0,002
1 e 2. Quanto aos outros setores, todos tiveram resultados negativos, com ênfase para o
nível Básico que apresentou o maior valor.
A variável COVID não apresentou nível de significância para os níveis, sendo que
o nível Básico e nível 1 e 2 apresentaram resultados negativos, enquanto os outros setores
tiveram resultados positivos. Finalmente, a variável INOV não apresentou resultado para
o nível Bovespa Mais e resultados positivo para os níveis 1 e 2 e Novo Mercado e negativo
para o nível Básico.
0,5
0
Efop Liq End Imob Lnativo
-0,5
-1
-1,5
-2
100
0
Básico Bov Mais Nível 1 e 2 NM
-100
-200
-300
-400
-500
A variável LIQ apresentou somente resultado positivo para o nível Básico, sendo
que os demais níveis mostraram resultados negativos, não havendo nenhum nível de
significância. Quanto à variável ENDIV, esta apresentou resultado positivo para os níveis
Básico, com destaque para o valor de 10,5322 e Novo Mercado; quanto aos níveis Novo
189
Mercado e Bovespa Mais, estes apresentaram resultados negativos, sendo que este último
nível apresentou nível de significância de 5%.
apresente uma relação, aponta para um resultado inconclusivo nesta pesquisa, uma vez
que as análises não apresentam a devida relação.
15
10
5
0
Efop Liq End Imob Lnativo
-5
-10
-15
-20
-25
-30
-35
significância para os níveis, sendo que somente o nível Novo Mercado apresentou
resultado positivo e com destaque para o valor apresentado no nível Básico (-439,1166).
100
0
Básico Bov Mais Nível 1 e 2 NM
-100
-200
-300
-400
-500
0
Basico Bov Mais Nivel 1 e 2 NM
-1
-2
-3
-4
-5
-6
-7
-8
-9
5
4
3
2
1
0
Efop Liq End Imob Lnativo
-1
-2
-3
-4
-5
somente o nível Novo Mercado apresentou resultado positivo (0,1686) com nível de
significância de 1%. Todos os outros apresentaram resultados negativos, sendo que o
nível 1 e 2 obteve nível de significância de 1%. Quanto a LFT, os níveis Básico (22,6676)
e Novo Mercado (46,7229) apresentaram resultados positivos, enquanto os níveis
Bovespa Mais e 1 e 2 apresentaram resultados negativos, sendo que este último obteve
nível de significância de 1%. Segue a representação no gráfico 29 abaixo.
30,0000
20,0000
10,0000
0,0000
Basico Bov Mais Nivel 1 e 2 NM
-10,0000
-20,0000
-30,0000
-40,0000
-50,0000
-60,0000
o nível Novo Mercado (-6,7244) teve nível de significância de 10%. A variável LIQ
apresentou todos os resultados positivos, com destaque para o valor apresentado para o
nível Novo Mercado (30,428) e para o nível Bovespa Mais (16,1544), com nível de
significância de 1%.
50
0
Efop Liq End Imob Lnativo
-50
-100
-150
-200
2.500,0000
2.000,0000
1.500,0000
1.000,0000
500,0000
0,0000
Basico Bov Mais Nivel 1 e 2 NM
-500,0000
-1.000,0000
-1.500,0000
30
25
20
15
10
0
Básico Bov Mais Nível 1 e 2 NM
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
Básico Bov Mais Nível 1 e 2 NM
IMOB
Padrão Padrão Mat Bas
Saúde
LIQ
TAMANHO
Energia Energia Energia Padrão
ENDIV
CFROA
Padrao LFT
Energia LFT
Util PIB
CFROE
Discric PIB
Padrao LFT
Energia LFT
Mat Bas LFT
Util PIB
CFROIC
Tecnol PIB
Telecom LFT
Fonte: elaborado pelo autor
201
Energia
EFOP
Mat Bas
Saude
Mat Bas
Tecnol
LIQ
Telecom
Util
Discric
ENDIV
Discric
Ind
TAMANHO
saude
Tecnol
Telecom
Util
Fonte: elaborado pelo autor
Quadro 28: Efeitos das Variáveis Macroeconômicas, Covid e Inov em relação a variável BtM por setor.
Discric
Padrao
Energia
LIQ
Ind
Mat Bas
Tecnol
Telecom
Discric
TAMANHO ENDIV
Energia
Quadro 30: Efeitos das variáveis Macroeconômicas, INOV em relação a variável P/L por setor.
CFROA/NDGC
LIQ Bov Mais
END Nivel 1 e 2 NM
IMOB Basico Bov Mais NM
PIB Basico
INOV Basico
CFROE/NDGC
EFOP Bov Mais
LIQ Bov Mais
IMOB Bov Mais
CFROIC/NDGC
EFOP Basico
END Bov Mais
IMOB NM
PIB NM
COVID Bov Mais
Fonte: elaborado pelo autor
E por último, no quadro 32, que apresenta o efeito das variáveis de desempenho
em relação as variáveis BtM e P/L por NDGC.
Quanto a variável P/L, mais uma vez o nível Bovespa Mais apresentou destaque,
contudo somente para as variáveis LIQ e L NATIVO. Quanto a relação com as variáveis
macroeconômicas, o PIB afetou somente o nível Bovespa Mais enquanto que o IPCA os
níveis Bovespa Mais e Nível 1 e 2, não foi observado influência da LFT. Quanto a
variável COVID somente apresentou relação com o setor Bovespa Mais, sendo que não
foi observada qualquer relação para com a variável INOV.
206
Quadro 32: Efeitos dos NDGC para as variáveis de desempenho com base no BtM e P/L.
BtM/NDGC
EFOP Bov Mais
LIQ Bov Mais NM
END Bov Mais
IMOB Bov Mais
L NATIVO Bov Mais Nivel 1 e 2 NM
PIB Basico Bov Mais Nivel 1 e 2
IPCA Nivel 1 e 2 NM
LFT Basico Nivel 1 e 2 NM
COVID Basico Bov Mais NM
INOV Basico
P/L/NDGC
EFOP NM
LIQ Bov Mais
L NATIVO Bov Mais
PIB Bov Mais
IPCA Bov Mais Nível 1 e 2
COVID Bov Mais
Fonte: elaborado pelo autor
207
7 CONCLUSÃO
O objetivo deste estudo foi o de responder à questão básica se a adoção das normas
referentes à governança corporativa, no caso os níveis, influencia no desempenho
financeiro e de mercado das empresas consideradas inovadoras e não inovadoras. Para
tal, analisou empresas listadas na B3, que possuam selo ANPEI, em todos os setores,
excetuando o setor financeiro. A questão temporal oriunda do ambiente macroeconômico
também é relevante no desempenho das empresas, uma vez que se vislumbrou um período
recessivo e de reversão (crescimento). A contribuição deste trabalho está na questão do
resultado da interação entre o que se constituem empresas inovadoras e não inovadoras,
tendo elas níveis diferenciados de governança, e a maneira como estas vêm a afetar o seu
desempenho financeiro.
A questão da variável COVID serve como variável de controle, uma vez que o
período analisado contemplou o período analisado. Os resultados apresentados
apresentam maior significância para as variáveis CFROA e CFROE, nos setores industrial
e de tecnologia da informação. Quanto à variável INOV, os resultados apresentados
destacam a relevância do setor de tecnologia de informações em relação a CFROE e
CFROIC, sendo que os demais não apresentaram resultados mais relevantes.
Para a análise do P/L, o nível Bovespa Mais foi que apresentou maiores níveis de
significância para as todas as variáveis analisadas. Para as variáveis de desempenho, o
setor imobiliário apresentou valores substanciais, principalmente no setor Novo Mercado.
Quanto as variáveis macroeconômicas, o PIB apresentou valores robustos para todos os
níveis, com destaque para os valores observados no setor imobiliário. Em relação a
variável COVID todos os níveis apresentaram relação positiva com os níveis de
governança. Por sua vez para a inovação apresentou relação negativa, com significância
para o nível Básico.
210
até mesmo, desses dois setores como uma oportunidade futura de pesquisa que a tese
revela. No caso, as características dos setores e se a inovação ocorre no
processo/infraestrutura ou no produto/serviço.
212
REFERÊNCIAS
AKHTAR, Samreen; ANSARI, Saghir Ahmad; ANSARI, Valeed Ahmad. Size, Value,
Momentum, and Liquidity Effects in Indian Stock Returns. Wealth: International
Journal of Money, Banking & Finance, v. 6, n. 1, 2017.
ALMEIDA, M.A.; SANTOS, J. F.; FERREIRA, L.F.V. M.; TORRES, F.J.V. Evolução
da qualidade das práticas de governança corporativa: um estudo das empresas brasileiras
de capital aberto não listadas em bolsa. Revista RAC. Curitiba, v. 14, n. 5, art. 8, p. 907-
924, set/out. 2010.
AMAT, O; BLAKE, J.; DOWDS, J. The ethics of creative accounting. Ethical Issues in
Accounting, p. 24 - 40. 1999.
AZEVEDO, Gustavo Caixeta de. Governança corporativa: uma análise do ROE, ROIC e
WACC de empresas integrantes do “novo mercado” da BM&FBOVESPA. 2018.
215
BAI, Chong-En et al. Corporate governance and market valuation in China. Journal of
comparative economics, v. 32, n. 4, p. 599-616, 2004.
BARBOSA, Deborah Mara Siade; DE SOUZA, Antônio Artur; RIBEIRO, João Eduardo.
Um Índice De Avaliação Do Desempenho Operacional E Econômico-Financeiro De
Hospitais Sem Fins Lucrativos No Brasil. Revista Mineira de Contabilidade, v. 22, n.
3, p. 72-85, 2021.
BARBOSA, F. D. H., CAMELÔ, F. D., & CUSTÓDIO, J.I. A Taxa de juros natural e a
regra de Taylor no Brasil: 2003-2015. Revista Brasileira de Economia, 70(4), 399-417.
2016.
BERLE, A.; MEANS, G. The Modern Corporation and Private Property. New York:
Macmillan, 1932.
BESSANT, J.; TIDD, J. Innovation and entrepreneurship. John Wiley e Sons. 2007.
BLACK, B. S.; JANG, H.; KIM, W. Does corporate governance predict firms’ market
values? Evidence from Korea. Stanford Law School, May 2002 (Working Paper, 237).
BLACK, B. The corporate governance behavior and market value of Russian firms.
Emerging Markets Review, 2(2), 89-108. 2001.
BLANCHARD, Oliver. Macroeconomia. 5° ed. São Paulo: Pearson Prentice Hall, 2011.
600 p.
BROWN, L., & CAYLOR, M. Corporate Governance and Firm Performance. Working
paper, Georgia State University. 2004.
CHAIN, Diego Reis; JANUZZI, Flávia Vital. Política de dividendos de empresas não
financeiras na b3: um estudo através de regressão quantílica. Anais do Congresso
Internacional de Administração, 2021.
CHANDLER JR., A.D. Scale and scope: the dynamic of industrial capitalism.
Cambridge, MA: The Belknap Press of Harvard University, 1990.
CHEN, N. F.; ROSS S. A. Economic forces and the stock market. Journal of Bussines,
v. 59, n. 3, p. 383-403, 1986.
COFFEE Jr., J. C. A Theory of Corporate Scandals: Why the USA and Europe Differ.
Oxford Review of Economic Policy. Vol. 21, no. 2, p. 198-211. 2005.
COLARES, Ana Carolina Vasconcelos; GOUVÊA, Diogo Augusto Pfau; COSTA, Joyce
Souza. IMPACTOS DA PANDEMIA DO COVID-19 NO SETOR DE CONSTRUÇÃO
CIVIL. Percurso Acadêmico, v. 11, n. 21, p. 188-208, 2021.
COSTA, Wando Belffi da et al. Análise dos estágios de ciclo de vida de companhias
abertas no Brasil: Um estudo com base em variáveis contábil-financeiras. BBR.
Brazilian Business Review, v. 14, p. 304-320, 2017.
DEMARZO, Peter M. et al. Dynamic agency and the q theory of investment. The journal
of Finance, v. 67, n. 6, p. 2295-2340, 2012.
DEWI, Vera Intanie; TAN LIAN SOEI, Catharina; SURJOKO, Felisca Oriana. The
Impact of Macroeconomic Factors on Firms Profitability (Evidence From Fast Moving
Consumer Good Firms Listed on Indonesian Stock Exchange). 2019.
DIAS, Érika Monteiro de Souza Alves et al. Reflexos Das Políticas De Incentivo À
Inovação No Desempenho Financeiro Das Empresas Do Setor Automotivo Listadas Na
B3. Brazilian Journal of Management and Innovation (Revista Brasileira de Gestão
e Inovação), v. 10, n. 1, p. 22-46, 2022.
DICKINSON, Victoria. Cash flow patterns as a proxy for firm life cycle. The accounting
review, v. 86, n. 6, p. 1969-1994, 2011.
DIEL, F.B.; BRIGHENTI, J.; SOUZA, T.R.; DIEL, E.H.; HEIN, N. Investimentos
ambientais e desempenho econômico-financeiro. REUNA, Belo Horizonte, v. 19, n.2,
p.113-134, abr/jun. 2014.
DINIZ, Natália. Análise das demonstrações financeiras. Rio de Janeiro: SESES, 2015.
DOS SANTOS CARVALHO, Beatriz Souza Silva et al. ESG E Performance Antes E
Durante A Covid-19.
ERKENS, D. H.; HUNG, M.; & MATOS, P. Corporate governance in the 2007–2008
financial crisis: Evidence from financial institutions worldwide. Journal of Corporate
Finance, 18(2), 389-411. https://doi.org/10.1016/j.jcorpfin.2012.01.005 2012
FAEMS, D., DE VISSER, M., ANDRIES, P., e VAN LOOY, B. Technology Alliance
Portfolios and Financial Performance: Value‐Enhancing and Cost‐Increasing Effects of
Open Innovation. Journal of Product Innovation Management, 27(6), 785-796, 2010.
225
FARHAN, Najib HS et al. Does corporate governance moderate the relationship between
liquidity ratios and financial performance? Evidence from Indian pharmaceutical
companies. Academic Journal of Interdisciplinary Studies, v. 8, n. 3, p. 144-144, 2019.
FELDSTEIN, M. Inflation and the stock market. American Economic Review, v.70, n.
5, p. 839-847, 1980.
GEROSKI, P. A.; WALTERS, C. F. Innovative Activity over the Business Cycle. The
Economic Journal, v. 105, n. 431, p. 916–928, 1995.
GESKE, R; ROLL, R. The fiscal and monetary linkage between stock returns and
inflation. Journal of Finance, v. 38, n. 1, p. 1-33, 1983. GOMES, C. F. S. Using MCDA
methods THOR in an application for outranking the ballast water management options.
Pesquisa Operacional, v. 25, n. 1, p. 11-28, 2005.
GOMPERS, P., ISHII, J.; METRICK. A. Corporate Governance and Equity Prices.
Quarterly Journal of Economics, 118, 107-155. 2003.
GONÇALVES, Luciano Souza; CUNHA, Viviane Baião da; NEVES JÚNIOR, Idalberto
José das. Análise de Resultados: um Estudo Exploratório sobre a Correlação entre o
Índice Market-to-book, os Índices Tradicionais de Rentabilidade e o EVA®. Pensar
Contábil, v. 13, n. 51, 2011.
GROSSMAN, S.J.; HART, O.D. "The Costs and Benefits of Ownership: A Theory of
Vertical and Lateral Integration." J.P.E. 94. August. 1986.
HADDOW, A., HARE, C., & HOOLEY, J. Macroeconomic uncertainty: what is it, how
can we measure it and why does it matter? Bank of England Quarterly Bulletin. 2013.
HARYONO, Untung et al. Sustainability performance: It’s impact on risk and value of
the firm. Corporate Ownership & Control, v. 14, n. 1, p. 278-286, 2016.
HEIJ, C.; BOER, P.; FRANSES, P. H.; KLOEK, T.; VAN DIJK, H. K. Econometric
Methods with Applications in Business and Economics. New York: Oxford University
Press, 2004.
HENDRIKSEN, E.S.: VAN BREDA, Michael F. Teoria da Contabilidade. São Paulo:
Atlas, 1999.
JORDÃO, Ricardo Vinícius Dias et al. Capital Intelectual & Rentabilidade das Empresas
Brasileiras. Revista de Contabilidade do Mestrado em Ciências Contábeis da UERJ,
v. 24, n. 2, p. 3-22, 2019.
JUNGER, Alex Paubel et al. A Relação Entre Criação De Valor, Desempenho Financeiro
E Dividendos: Uma Análise Sob A Ótica Do Q De Tobin E Market-To-Book Das
Empresas Listadas Na B3. Humanidades & Inovação, v. 9, n. 2, p. 275-290, 2022.
KAO, J.J. Entrepreneurship, creativity and organization: text, cases and readings.
New Jersey: Englewood Cliffs, Prentice Hall, 1989.
KIJEWSKA, Anna. Determinants of the return on equity ratio (ROE) on the example of
companies from metallurgy and mining sector in Poland. Metalurgija, v. 55, n. 2, p. 285-
288, 2016.
230
KLAPPER, Leora F.; LOVE, Inessa. Corporate governance, investor protection, and
performance in emerging markets. Journal of corporate Finance, v. 10, n. 5, p. 703-
728, 2004.
KMPG, VON KEITZ, I. The application of IFRS: choices in practice. London: KPMG,
LEE, H.; SMITH, K.G.; GRIMM, C.G. The effect of new product radicality and scope
on the extent and speed of innovation diffusion J. Management vol. 29, p. 753-768.
2003.
LEITE FILHO, G.A.; FIGUERO, A. F.G. Fatores que determinam a descontinuidade das
empresas: um estudo sob o ponto de vista dos contadores na cidade de Montes Claros
(MG). In: CONGRESSO BRASILEIRO DE CUSTOS, 16, 2009, Fortaleza. Anais.
2009
231
LEITE, Thaís Silva; SANTOS, David Ferreira Lopes. A relação dos ativos intangíveis e
o valor de mercado na indústria de materiais básicos do Brasil. Revista Brasileira de
Administração Científica, v. 4, n. 1, p. 104-121, 2013.
LIMA JÚNIOR, Alcivan Batista de; NOBRE, Fábio Chaves; BENTO, Francisca
Joselânia da Silva. Variações Do Valor Da Empresa E Desempenho Financeiro Das
Empresas De E-Commerce No Contexto Da Pandemia Covid-19. Anais do Congresso
Internacional de Administração, 2021.
LIMA, Roberta Quiles Bettega de; MARTINS, Marco Antônio dos Santos. Influência da
estrutura de capital sobre a rentabilidade das empresas do setor de energia elétrica listadas
na B3. Contexto. Porto Alegre, RS. Vol. 21, n. 47 (jan./abr. 2021), p. 66-78, 2021.
LOPES, Iago França; BEUREN, Ilse Maria. Comportamento dos custos e sua relação
com medidas de eficiência operacional em companhias aéreas. Revista Base
(Administração e Contabilidade) da UNISINOS, v. 14, n. 1, p. 30-46, 2017.
MACHADO, Luiz Henrique Mourão. Sistema financeiro nacional. São Paulo, 2015.
MARSHALL, A. Princípios de economia (Vol. 1). São Paulo: Abril Cultural. 1982.
MILES, Mike E. et al. Real estate development: principles and process. (No Title), 1996.
233
MORCK, R., ANDREI, S., ROBERT V. Management ownership and market valuation:
An empirical analysis, Journal of Financial Economics 20, 293-315. 1988
MOREL, Claudia Horrany Guimarães Silva et al. Análise da correlação entre o modelo
fleuriet e os indicadores de rentabilidade e liquidez para as maiores e melhores empresas
de capital aberto segundo a revista exame. Brazilian Journal of Development, v. 5, n.
2, p. 1399-1421, 2019.
NUNES, Jéssica Martins et al. Análise dos impactos da covid-19 no mercado imobiliário
brasileiro. Research, Society and Development, v. 9, n. 12, p. e46891211317-
e46891211317, 2020.
OLIVEIRA, Ismael Alencar Fiuza de; COELHO, Antônio Carlos Dias. Impacto da
divulgação obrigatória da DVA: evidência em indicadores financeiros. Revista
Evidenciação Contábil & Finanças, v. 2, n. 3, p. 41-55, 2014.
PANDINI, Jardel; STÜPP, Diego Rafael; FABRE, Valkyrie Vieira. Analysis of the
impact of macroeconomic variables on the financial performance of companies in the
sectors of Consumer Cyclical and Non-Cyclical of BM&FBOVESPA. Revista
Catarinense Da Ciência Contábil, v. 17, p. 51, 2018.
PENROSE, E.T. The Theory of Growth of the Firm. New York: Wiley. 1959.
POSNER, E.A. Economic Analysis of Contract Law after Three Decades: Success or
Failure? YALE L. J. 829. 2002.
PRESTON, L.E. Corporation and society: The search for a paradigm, Journal of
Economic Literature X111. June, 434-453. 1975.
237
QUINN, Robert E.; CAMERON, Kim. Organizational life cycles and shifting criteria of
effectiveness: Some preliminary evidence. Management science, v. 29, n. 1, p. 33-51,
1983.
RAO, D.T., The relationship of macroeconomic factors and financial performance of the
five firms listed in the energy and petroleum sector of the NSE, unpublished master’s
thesis, Strathmore University, Nairobi. 2016.
REIS, Arnaldo Carlos Rezende. Demonstrações contábeis. Saraiva Educação SA, 2017.
RHÉAUME, L., & GARDONI, M. Strategy-making for innovation management and the
development of corporate universities. International Journal on Interactive Design
and Manufacturing, 10(1), 73-84. 2016.
RODRIGUES, Lucas Macruz. Equity Research: WEG SA. 2021. Tese de Doutorado.
ROSA, Laís Castro; COSTA, Daniel Fonseca. Efeitos da crise mundial de 2008 na
situação econômica e financeira das empresas brasileiras que compõem o
Ibovespa. Revista Mineira de Contabilidade, v. 1, n. 53, p. 6-14, 2014.
ROSS, S.A. The economic theory of agency: The principal's problem. The American
Economic Review, v. 63, n. 2, p. 134-139, 1973.
RUTHERFORD, M. Institutions in economics: the old and the new institutionalism. Nova
York: Cambridge University Press, 1999.
SANTOS, Ricardo Pering dos et al. Aplicação do método do fluxo de caixa descontado
na Intelbras SA. 2022.
SANTOS, Thiago Cardoso Lacerda. Enquanto uns choram outros vendem lenços:
indicadores econômico-financeiros das empresas do setor de Tecnologia da Informação.
2022.
SHAPIRO, D.; TANG, Y.; WANG, M.; ZHANG, W. The effects of corporate
governance and ownership on the innovation performance of Chinese SMEs, Journal of
Chinese Economic and Business Studies, 14(4): 311-335. 2015.
SILVA NETO, José Rodrigues da; SANTOS, José Glauber Cavalcante dos;
GORDIANO, Carlos Adriano Santos Gomes. Privatização e desempenho econômico-
financeiro do setor de energia elétrica da brasil bolsa balcão (b3). Contabilometria, v. 9,
n. 1, 2022.
SILVA, Camila Lopes da; SILVA, Jean Marcos da. COMPOSIÇÃO DA ESTRUTURA
DE CAPITAL DA EMPRESA NATURA SA. JEAN MARCOS DA SILVA, p. 53.
SILVA, Denise Mendes da; MARTINS, Vinícius Aversari; LIMA, Fabiano Guasti.
Escolhas contábeis na demonstração dos fluxos de caixa em companhias listadas no novo
mercado da B3. Revista Contemporânea de Contabilidade, v. 15, n. 36, p. 143-165,
2018.
SILVA, Gilclebe Rodrigues da; DIAS, Luiz Daniel Albuquerque; LIMA, Sheila Raquel
de Moraes Rêgo. Análise econômica e financeira: estudo comparativo das demonstrações
financeiras das redes de farmácias Pague Menos SA e Raia Drogasil SA. Contaduria
Universidad de Antioquia, n. 67, p. 155, 2015.
SILVA, O. M.; CRUZ JR. J. C. Dados em painel: uma análise do modelo estatístico.
In: SANTOS, Maurinho Luiz dos; VIEIRA, Wilson da Cruz (Org.). Métodos
quantitativos em economia. Viçosa, MG: Imprensa Universitária, 2004.
SOARES, Paula Hortência da Silva; FARIA, Juliano Almeida de; OLIVEIRA, José
Jackson de. Análise das Demonstrações Contábeis: uma Proposta de Referência de
Índices de Liquidez para Empresas Brasileiras. ConTexto-Contabilidade em Texto, v.
19, n. 43, 2019.
SVEIBY, Karl Erik. The new organizational wealth: Managing & measuring
knowledge-based assets. Berrett-Koehler Publishers, 1997.
242
TOMÉ, R.; URGAL, B.; QUINTÁS, M. Propuesta de medida del desempeño innovador:
aplicación en las empresas innovadoras españolas. Cuadernos de Gestión, 13(1), 41-67,
2013.
VASCONCELLOS, M.A.S. Economia micro e macro. 5 ed. São Paulo: Atlas, 453 p.
2011.
VIEIRA, S.P.; MENDES, A.G.S.T. Governança corporativa: uma análise de sua evolução
e impactos no mercado de capitais brasileiro. Revista do BNDES, v. 11, n. 22, p. 103-
122, dez. 2004.
WANG, Hongdi et al. The curvilinear relationship between corporate social performance
and corporate financial performance: Evidence from the international construction
industry. Journal of cleaner production, v. 137, p. 1313-1322, 2016.
244
________, Markets and Hierarchies: Analysis and Antitrust Implications. 1.Ed. The
Free Press, 286 p., 1975
________, and WINTER, S. (eds), The Nature of the Firm, Origin, Evolution and
Development. Oxford University Press, New York, 1993.
WRIGHT, P.; KROLL, M.; PARNELL, J. Administração Estratégica. São Paulo. Atlas,
2000.
APÊNDICES
Lista das Empresas Listadas da Amostra
CASN Casan X
CBAV CBA NM
CCRO CCR NM
CEAB C&A NM
CEBR CEB NM
CEDO Cedro Cachoeira N1
CEEB Coelba X
CEGR CEG X
CEPE5 Celpe X
CGAS5 Comgas X
CGRA4 Grazziotim X
CIEL Cielo NM
CLSA Clear Sale NM
CLSC Celesc N2
CMIG Cemig N1
CMIN CSN N2
COCE Coelce X
COGN Cogna NM
CPFE CPFL NM
CPLE Copel N2
CRDE CR2 Empreendimentos X
CRFB Atacadao NM
CRPG Tronox X
CSAN Cosan NM
CSED Cruzeiro do Sul NM
CSMG Copasa NM
CSNA CSN X
CSRN Cosern X
CTNM Coteminas X
CTSA Santanense X
CVCB CVC NM
CYRE Cyrella NM
DASA Diagnosticos da America NM
DESK Desktop NM
DIRR Direcional NM
DMVF D1000 varejo farma NM
DOHL Dohle X
DTCY Dtcom X
DXCO Dexco NM
EALT4 Electro Aco Altona X
ECOR Eco Rodovias NM
EEEL4.SA
EGIE Engie Energia NM
ELET Eletrobras N1
ELMD Eletromidia NM
248
EMAE Emae X
EMBR Embraer NM
ENAT Enauta NM
ENBR EDP NM
ENEV Eneva NM
ENGI Energisa N2
ENJU Enjoei NM
ENMT Energisa X
EPAR EMBPAR X
EQPA Equatorial Distribuição X
EQTL Equatorial Energia NM
ESPA Espaço lazer NM
ETER Eternit NM
EUCA Eucatex N1
EVEN Even Construtora NM
EZTC Eztec NM
FESA Ferbasa N1
FHER Fertilizantes heringer NM
FIQE Unifique NM
FLRY Fleury NM
FRAS Fras-le N1
FRIO Metalfrio NM
GEPA Paranapanema Energia X
GETT Getnet X
GFSA Gafisa NM
GGBR Gerdau N1
GMAT Grupo Mateus NM
GOAU Metalurgica Gerdau N1
GRND Gransol X
GSHP Generalshopp X
GUAR Guararapes NM
HAPV Hapvida NM
HBOR helbor NM
HBRE HBR Realty NM
HBSA Hidrovias NM
HYPE Hypera NM
IFCM Infracommerce NM
IGTI Iguatemi N1
INTB Intelbras NM
JALL Jalles Machado NM
JBSS JBS NM
JFEN João Fortes X
JHSF Jhsf Participações NM
JOPA Josapar X
JSLG Jsl NM
249
OPCT Oceanpact NM
ORVR Orizon NM
PARD Pardini NM
PATI Panatlantica X
PCAR Pão de Açucar NM
PDTC Padtec NM
PETR Petrobras N2
PETZ Petz NM
PFRM Profarma NM
PGMN Pague Menos NM
PLPL Planoeplano NM
PMAM Paranapanema Energia NM
PNVL Dimed NM
POMO Marcopolo N2
PORT Wilson Sons NM
POSI Positivo NM
PRIO Petrorio NM
PRNR Priner NM
PTNT Pettenati X
RADL Raiadroga NM
RAIL Rumo NM
RAIZ Raizen N2
RANI Irani NM
RAPT Randon Part N1
RDNI RNI NM
RDOR Rede Dór NM
RECV Petrorecsa NM
REDE Rede Energia X
RENT Localiza NM
RNEW Renova N2
ROMI Romi NM
RRRP 3R Petroleum NM
RSID Rossi Residencial NM
RSUL Riosulense X
SAPR Sanepar N2
SBFG SBF NM
SBSP Sabesp NM
SCAR São Carlos NM
SEER Ser Educacional NM
SEQL Sequoia Log NM
SGPS Springs NM NM
SHOW Time for Run NM
SHUL Schulz X
SIMH Simpar NM
SLCE Slc Agricola NM
251
SLED Saraiva N2
SMFT Smart Fit NM
SMTO São Martinho NM
SOJA Boa Safra NM
SOMA Soma NM
SOND Sondotecnica NM
SQIA Sinqia NM
STBP Santios BRP NM
SUZB suzano NM
SYNE Syn Prop Tec NM
TASA Taurus N2
TCNO Tecnosolo X
TCSA Tecnisa NM
TECN Technos NM
TELB Telebras X
TEND Tenda NM
TFCO Track Field N2
TGMA Tegmna NM
TIMS TIM NM
TKNO Tekno X
TOTS Totvs NM
TPIS Triunfo Part NM
TRIS
TRPL
TTEN 3 Tentos NM
TUPY Tupy NM
UCAS Unicasa NM
UGPA Ultrapar NM
UNIP Unipar X
USIM Usiminas N1
VALE Vale NM
VAMO Vamos NM
VBBR Vibra NM
VIIA Via NM
VITT Vittia NM
VIVA Vivara NM
VIVR Viver NM
VIVT Telef Brasil X
VLID Valid NM
VULC Vulcabras NM
VVEO viveo NM
WEGE Weg NM
WEST westwing NM
WHRL Whirlpool X
WLMM Wlm Ind Com X
252
YDUQ Yduqd NM
ZAMP Zamp NM
library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
253
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.csv", header = T,sep = ";"
,dec = ".",quote = "\""))
names(painel)
summary(painel)
#CFROA
painel$vard<-painel$CFROA
names (painel)
summary(regp)
summary(regfe)
summary(regre)
#####################################################Testes para os mo
delos###
#Teste F para H0: Modelo Pooled vs H1: Efeitos Fixos
b1<-pFtest(regfe, regp) #rejeito H0
b1
#Teste LM para H0: Modelo Pooled vs H1: Efeitos Aleat?rios
b2<-plmtest(regp) #rejeito H0
b2
#Teste de Hausman para H0: Efeitos Aleat?rios vs H1: Efeitos Fixos
b3<-phtest(regre,regfe) # rejeito H0
b3
#seleciono modelo de efeitos fixos
c4<-ks.test(regfe$residuals,"pnorm")
c4
######################################################Tabela Resumo###
options(digits = 4)
rCFROA<-regfe
tabela<-cbind(b,c)
tabela[1,2]<-round(as.numeric(b1$statistic),4)
tabela[1,3]<-as.numeric(b1$p.value)
tabela[2,2]<-round(as.numeric(b2$statistic),4)
tabela[2,3]<-as.numeric(b2$p.value)
tabela[3,2]<-round(as.numeric(b3$statistic),4)
tabela[3,3]<-as.numeric(b3$p.value)
256
tabela[1,5]<-round(as.numeric(c1$statistic),4)
tabela[1,6]<-as.numeric(c1$p.value)
tabela[2,5]<-round(as.numeric(c2$statistic),4)
tabela[2,6]<-as.numeric(c2$p.value)
tabela[3,5]<-round(as.numeric(c3$statistic),4)
tabela[3,6]<-as.numeric(c3$p.value)
tabela[4,5]<-round(as.numeric(c4$statistic),4)
tabela[4,6]<-as.numeric(c4$p.value)
tabela
for ( i in 1:3){
if(tabela$Pvalue2[i]=="NaN"){
tabela$Test2[i]<-"NaN"
}
tabela$Pvalue2[i]<-round(as.numeric(tabela$Pvalue2[i]),3)
if(tabela$Pvalue2[i]<0.01){
tabela$Test2[i]<-paste(tabela$Test2[i],"***",sep="")
}else{
if(tabela$Pvalue2[i]<0.05){
tabela$Test2[i]<-paste(tabela$Test2[i],"**",sep="")
} else{
if(tabela$Pvalue2[i]<0.1){
tabela$Test2[i]<-paste(tabela$Test2[i],"*",sep="")
}else{
tabela$Test2[i]<-paste(tabela$Test2[i],"",sep="")
257
for ( i in 1:4){
if(tabela$Pvalue3[i]=="NaN"){
tabela$Test3[i]<-"NaN"
}
tabela$Pvalue3[i]<-round(as.numeric(tabela$Pvalue3[i]),3)
if(tabela$Pvalue3[i]<0.01){
tabela$Test3[i]<-paste(tabela$Test3[i],"***",sep="")
}else{
if(tabela$Pvalue3[i]<0.05){
tabela$Test3[i]<-paste(tabela$Test3[i],"**",sep="")
} else{
if(tabela$Pvalue3[i]<0.1){
tabela$Test3[i]<-paste(tabela$Test3[i],"*",sep="")
}else{
tabela$Test3[i]<-paste(tabela$Test3[i],"",sep="")
}
}
tabela[,c(1,2,4,5)]%>%
gt()%>%
Model2 =md("**Test**"),
Test2=md("**Estatistic**"),
Model3 =md("**Test**"),
Test3=md("**Estatistic**"))
## Warning: Since gt v0.3.0, `columns = vars(...)` has been deprecated
.
## • Please use `columns = c(...)` instead.
## Since gt v0.3.0, `columns = vars(...)` has been deprecated.
## • Please use `columns = c(...)` instead.
Kolmogorov-Smirnof 0.4541***
#####################################################Tabela Stargazer#
##
## CFROA
## ===================================================================
==================
## Dependent variable:
## --------------------------------------------
------------------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
------------------
## EfOp -0.0003** 0.00001
-0.0001
## (0.0001) (0.00003)
(0.00005)
##
## LIQ -0.00003 0.0001
-0.0002
## (0.0005) (0.0015)
(0.0007)
##
## End -0.0239*** -0.0232**
-0.0247***
## (0.0068) (0.0092)
(0.0066)
##
## Imob 0.0058 -0.0039
0.0049
## (0.0073) (0.0133)
(0.0072)
##
## Lnativo 0.0020** -0.0019
0.0021**
## (0.0008) (0.0030)
(0.0009)
##
## SetorConsumo Padrao 0.0082**
0.0079*
## (0.0041)
(0.0046)
##
260
## SetorEnergia 0.0121**
0.0133***
## (0.0051)
(0.0050)
##
## SetorImobiliario -0.0010
-0.0025
## (0.0034)
(0.0041)
##
## SetorIndustrial 0.0057
0.0040
## (0.0037)
(0.0044)
##
## SetorMateriais Basicos 0.0086*
0.0090**
## (0.0044)
(0.0045)
##
## SetorSaude 0.0101*
0.0096
## (0.0054)
(0.0059)
##
## SetorTecnologia 0.0020
0.0010
## (0.0066)
(0.0065)
##
## SetorTelecomunicacoes 0.0144**
0.0176**
## (0.0069)
(0.0077)
##
## SetorUtilidades 0.0064**
0.0062**
## (0.0029)
(0.0031)
##
## PIB -0.6117*** -0.4748***
-0.5406***
## (0.1816) (0.1707)
(0.1712)
261
##
## IPCA -0.0005 0.0002
-0.0002
## (0.0012) (0.0012)
(0.0012)
##
## LFT -0.3469*** -0.2798**
-0.3309***
## (0.1256) (0.1220)
(0.1224)
##
## NGCBovespaMais1e2 -0.0152
-0.0171
## (0.0144)
(0.0151)
##
## NGCNivel1e2 -0.0034
-0.0028
## (0.0032)
(0.0037)
##
## NGCNovoMeracdo -0.0031
-0.0047
## (0.0024)
(0.0029)
##
## Covid -0.0005 0.0013
-0.0002
## (0.0015) (0.0017)
(0.0014)
##
## Inov 0.0011 -0.0005
0.0001
## (0.0029) (0.0026)
(0.0023)
##
## Constant -0.0202
-0.0218
## (0.0168)
(0.0201)
##
## -------------------------------------------------------------------
------------------
262
summary(regp)
summary(regfe)
summary(regre)
#####################################################Testes para os mo
delos###
#Teste F para H0: Modelo Pooled vs H1: Efeitos Fixos
b1<-pFtest(regfe, regp) #rejeito H0
b1
#Teste LM para H0: Modelo Pooled vs H1: Efeitos Aleat?rios
b2<-plmtest(regp) #rejeito H0
b2
#Teste de Hausman para H0: Efeitos Aleat?rios vs H1: Efeitos Fixos
263
b3<-phtest(regre,regfe) # rejeito H0
b3
#seleciono modelo de efeitos fixos
######################################################Tabela Resumo###
options(digits = 4)
rCFROE<-regfe
264
tabela<-cbind(b,c)
tabela[1,2]<-round(as.numeric(b1$statistic),4)
tabela[1,3]<-as.numeric(b1$p.value)
tabela[2,2]<-round(as.numeric(b2$statistic),4)
tabela[2,3]<-as.numeric(b2$p.value)
tabela[3,2]<-round(as.numeric(b3$statistic),4)
tabela[3,3]<-as.numeric(b3$p.value)
tabela[1,5]<-round(as.numeric(c1$statistic),4)
tabela[1,6]<-as.numeric(c1$p.value)
tabela[2,5]<-round(as.numeric(c2$statistic),4)
tabela[2,6]<-as.numeric(c2$p.value)
tabela[3,5]<-round(as.numeric(c3$statistic),4)
tabela[3,6]<-as.numeric(c3$p.value)
tabela[4,5]<-round(as.numeric(c4$statistic),4)
tabela[4,6]<-as.numeric(c4$p.value)
tabela
265
for ( i in 1:3){
if(tabela$Pvalue2[i]=="NaN"){
tabela$Test2[i]<-"NaN"
}
tabela$Pvalue2[i]<-round(as.numeric(tabela$Pvalue2[i]),3)
if(tabela$Pvalue2[i]<0.01){
tabela$Test2[i]<-paste(tabela$Test2[i],"***",sep="")
}else{
if(tabela$Pvalue2[i]<0.05){
tabela$Test2[i]<-paste(tabela$Test2[i],"**",sep="")
} else{
if(tabela$Pvalue2[i]<0.1){
tabela$Test2[i]<-paste(tabela$Test2[i],"*",sep="")
}else{
tabela$Test2[i]<-paste(tabela$Test2[i],"",sep="")
}
for ( i in 1:4){
if(tabela$Pvalue3[i]=="NaN"){
tabela$Test3[i]<-"NaN"
}
266
tabela$Pvalue3[i]<-round(as.numeric(tabela$Pvalue3[i]),3)
if(tabela$Pvalue3[i]<0.01){
tabela$Test3[i]<-paste(tabela$Test3[i],"***",sep="")
}else{
if(tabela$Pvalue3[i]<0.05){
tabela$Test3[i]<-paste(tabela$Test3[i],"**",sep="")
} else{
if(tabela$Pvalue3[i]<0.1){
tabela$Test3[i]<-paste(tabela$Test3[i],"*",sep="")
}else{
tabela$Test3[i]<-paste(tabela$Test3[i],"",sep="")
}
}
tabela[,c(1,2,4,5)]%>%
gt()%>%
Model2 =md("**Test**"),
Test2=md("**Estatistic**"),
Model3 =md("**Test**"),
Test3=md("**Estatistic**"))
## Warning: Since gt v0.3.0, `columns = vars(...)` has been deprecated
.
## • Please use `columns = c(...)` instead.
## Since gt v0.3.0, `columns = vars(...)` has been deprecated.
## • Please use `columns = c(...)` instead.
267
Kolmogorov-Smirnof 0.3699***
#####################################################Tabela Stargazer#
##
## (0.0005) (0.0003)
(0.0004)
##
## LIQ 0.0014 -0.0036
0.0001
## (0.0027) (0.0055)
(0.0028)
##
## End 0.0887 -0.2027
-0.0070
## (0.1213) (0.2814)
(0.1583)
##
## Imob -0.0082 0.1676
0.0544
## (0.0623) (0.1451)
(0.0748)
##
## Lnativo 0.0096 0.0600
0.0167
## (0.0077) (0.0535)
(0.0103)
##
## SetorConsumo Padrao 0.0819*
0.0700
## (0.0472)
(0.0459)
##
## SetorEnergia 0.0132
0.0011
## (0.0232)
(0.0250)
##
## SetorImobiliario -0.0389
-0.0462
## (0.0333)
(0.0388)
##
## SetorIndustrial -0.0168
-0.0366
## (0.0361)
(0.0432)
##
269
##
## NGCNivel1e2 0.0057
0.0149
## (0.0265)
(0.0341)
##
## NGCNovoMeracdo -0.0063
-0.0012
## (0.0313)
(0.0406)
##
## Covid 0.0116 0.0012
0.0109
## (0.0181) (0.0236)
(0.0179)
##
## Inov -0.0051 0.0157
-0.0066
## (0.0249) (0.0322)
(0.0244)
##
## Constant -0.1482
-0.2941
## (0.1760)
(0.2299)
##
## -------------------------------------------------------------------
-----------------
## Observations 4,944 4,944
4,944
## R2 0.0144 0.0048
0.0078
## Adjusted R2 0.0100 -0.0534
0.0034
## F Statistic 3.2610*** (df = 22; 4921) 2.2490** (df = 10;
4670) 40.9400***
## ===================================================================
=================
## Note: *p<0.1; **
p<0.05; ***p<0.01
#CFROIC
painel$vard<-painel$CFROIC
271
summary(regp)
summary(regfe)
summary(regre)
#####################################################Testes para os mo
delos###
#Teste F para H0: Modelo Pooled vs H1: Efeitos Fixos
b1<-pFtest(regfe, regp) #rejeito H0
b1
#Teste LM para H0: Modelo Pooled vs H1: Efeitos Aleat?rios
b2<-plmtest(regp) #rejeito H0
b2
#Teste de Hausman para H0: Efeitos Aleat?rios vs H1: Efeitos Fixos
b3<-phtest(regre,regfe) # rejeito H0
b3
#seleciono modelo de efeitos fixos
c2<-bptest(regfe)
c2
#Teste de Pesran para depend?ncia transversal
c3<-pcdtest(regfe, test="cd")
## Warning in pcdres(tres = tres, n = n, w = w, form = paste(deparse(x
$formula)), :
## Some pairs of individuals (5.8 percent) do not have any or just one
time period
## in common and have been omitted from calculation
c3
#Teste de Kolmogorov-Smirnov para normalidade
c4<-ks.test(regfe$residuals,"pnorm")
c4
######################################################Tabela Resumo###
options(digits = 4)
rCFROIC<-regfe
tabela<-cbind(b,c)
273
tabela[1,2]<-round(as.numeric(b1$statistic),4)
tabela[1,3]<-as.numeric(b1$p.value)
tabela[2,2]<-round(as.numeric(b2$statistic),4)
tabela[2,3]<-as.numeric(b2$p.value)
tabela[3,2]<-round(as.numeric(b3$statistic),4)
tabela[3,3]<-as.numeric(b3$p.value)
tabela[1,5]<-round(as.numeric(c1$statistic),4)
tabela[1,6]<-as.numeric(c1$p.value)
tabela[2,5]<-round(as.numeric(c2$statistic),4)
tabela[2,6]<-as.numeric(c2$p.value)
tabela[3,5]<-round(as.numeric(c3$statistic),4)
tabela[3,6]<-as.numeric(c3$p.value)
tabela[4,5]<-round(as.numeric(c4$statistic),4)
tabela[4,6]<-as.numeric(c4$p.value)
tabela
for ( i in 1:3){
if(tabela$Pvalue2[i]=="NaN"){
tabela$Test2[i]<-"NaN"
}
tabela$Pvalue2[i]<-round(as.numeric(tabela$Pvalue2[i]),3)
274
if(tabela$Pvalue2[i]<0.01){
tabela$Test2[i]<-paste(tabela$Test2[i],"***",sep="")
}else{
if(tabela$Pvalue2[i]<0.05){
tabela$Test2[i]<-paste(tabela$Test2[i],"**",sep="")
} else{
if(tabela$Pvalue2[i]<0.1){
tabela$Test2[i]<-paste(tabela$Test2[i],"*",sep="")
}else{
tabela$Test2[i]<-paste(tabela$Test2[i],"",sep="")
}
for ( i in 1:4){
if(tabela$Pvalue3[i]=="NaN"){
tabela$Test3[i]<-"NaN"
}
tabela$Pvalue3[i]<-round(as.numeric(tabela$Pvalue3[i]),3)
if(tabela$Pvalue3[i]<0.01){
tabela$Test3[i]<-paste(tabela$Test3[i],"***",sep="")
}else{
if(tabela$Pvalue3[i]<0.05){
tabela$Test3[i]<-paste(tabela$Test3[i],"**",sep="")
} else{
if(tabela$Pvalue3[i]<0.1){
tabela$Test3[i]<-paste(tabela$Test3[i],"*",sep="")
}else{
tabela$Test3[i]<-paste(tabela$Test3[i],"",sep="")
}
}
275
}
tabela[,c(1,2,4,5)]%>%
gt()%>%
Model2 =md("**Test**"),
Test2=md("**Estatistic**"),
Model3 =md("**Test**"),
Test3=md("**Estatistic**"))
## Warning: Since gt v0.3.0, `columns = vars(...)` has been deprecated
.
## • Please use `columns = c(...)` instead.
## Since gt v0.3.0, `columns = vars(...)` has been deprecated.
## • Please use `columns = c(...)` instead.
Kolmogorov-Smirnof 0.1***
#####################################################Tabela Stargazer#
##
##
## Lnativo 0.1315 -0.3934
0.1863
## (0.1905) (1.1900)
(0.1819)
##
## SetorConsumo Padrao 0.3389
0.4926
## (0.4838)
(0.5769)
##
## SetorEnergia 0.4864
0.4562
## (0.6526)
(0.7998)
##
## SetorImobiliario 6.5430**
5.9860**
## (2.7770)
(2.6290)
##
## SetorIndustrial 0.5131
0.6282
## (0.6124)
(0.8391)
##
## SetorMateriais Basicos 0.2593
0.3642
## (0.6876)
(0.6550)
##
## SetorSaude 0.3116
0.4267
## (0.3764)
(0.4473)
##
## SetorTecnologia -0.5106
-0.6528
## (0.8360)
(1.0390)
##
## SetorTelecomunicacoes 0.4190
0.3489
278
## (0.8442)
(0.9867)
##
## SetorUtilidades 3.3280**
3.6420**
## (1.3420)
(1.5770)
##
## PIB -29.4200 -26.2400
-28.1600
## (32.8400) (40.4800)
(32.2500)
##
## IPCA 0.8793 0.9052
0.8663
## (1.3080) (1.2820)
(1.3040)
##
## LFT -65.3300 -38.3800
-63.1200
## (77.5700) (55.7500)
(73.2700)
##
## NGCBovespaMais1e2 -1.4790
-1.2690
## (1.2520)
(1.2980)
##
## NGCNivel1e2 -3.6230**
-3.6830**
## (1.4690)
(1.6200)
##
## NGCNovoMeracdo -2.9240*
-2.9600*
## (1.5940)
(1.7110)
##
## Covid -1.7810 -2.0150
-1.9080
## (1.8540) (2.2000)
(1.8860)
##
279
#BTM
painel$vard<-painel$BtM
summary(regp)
summary(regfe)
280
summary(regre)
#####################################################Testes para os mo
delos###
#Teste F para H0: Modelo Pooled vs H1: Efeitos Fixos
b1<-pFtest(regfe, regp) #rejeito H0
b1
#Teste LM para H0: Modelo Pooled vs H1: Efeitos Aleat?rios
b2<-plmtest(regp) #rejeito H0
b2
#Teste de Hausman para H0: Efeitos Aleat?rios vs H1: Efeitos Fixos
b3<-phtest(regre,regfe) # rejeito H0
b3
#seleciono modelo de efeitos fixos
######################################################Tabela Resumo###
options(digits = 4)
rBtM<-regfe
tabela<-cbind(b,c)
tabela[1,2]<-round(as.numeric(b1$statistic),4)
tabela[1,3]<-as.numeric(b1$p.value)
tabela[2,2]<-round(as.numeric(b2$statistic),4)
tabela[2,3]<-as.numeric(b2$p.value)
tabela[3,2]<-round(as.numeric(b3$statistic),4)
tabela[3,3]<-as.numeric(b3$p.value)
tabela[1,5]<-round(as.numeric(c1$statistic),4)
282
tabela[1,6]<-as.numeric(c1$p.value)
tabela[2,5]<-round(as.numeric(c2$statistic),4)
tabela[2,6]<-as.numeric(c2$p.value)
tabela[3,5]<-round(as.numeric(c3$statistic),4)
tabela[3,6]<-as.numeric(c3$p.value)
tabela[4,5]<-round(as.numeric(c4$statistic),4)
tabela[4,6]<-as.numeric(c4$p.value)
tabela
for ( i in 1:3){
if(tabela$Pvalue2[i]=="NaN"){
tabela$Test2[i]<-"NaN"
}
tabela$Pvalue2[i]<-round(as.numeric(tabela$Pvalue2[i]),3)
if(tabela$Pvalue2[i]<0.01){
tabela$Test2[i]<-paste(tabela$Test2[i],"***",sep="")
}else{
if(tabela$Pvalue2[i]<0.05){
tabela$Test2[i]<-paste(tabela$Test2[i],"**",sep="")
} else{
if(tabela$Pvalue2[i]<0.1){
tabela$Test2[i]<-paste(tabela$Test2[i],"*",sep="")
}else{
tabela$Test2[i]<-paste(tabela$Test2[i],"",sep="")
}
}
283
for ( i in 1:4){
if(tabela$Pvalue3[i]=="NaN"){
tabela$Test3[i]<-"NaN"
}
tabela$Pvalue3[i]<-round(as.numeric(tabela$Pvalue3[i]),3)
if(tabela$Pvalue3[i]<0.01){
tabela$Test3[i]<-paste(tabela$Test3[i],"***",sep="")
}else{
if(tabela$Pvalue3[i]<0.05){
tabela$Test3[i]<-paste(tabela$Test3[i],"**",sep="")
} else{
if(tabela$Pvalue3[i]<0.1){
tabela$Test3[i]<-paste(tabela$Test3[i],"*",sep="")
}else{
tabela$Test3[i]<-paste(tabela$Test3[i],"",sep="")
}
}
tabela[,c(1,2,4,5)]%>%
gt()%>%
Model2 =md("**Test**"),
Test2=md("**Estatistic**"),
Model3 =md("**Test**"),
Test3=md("**Estatistic**"))
## Warning: Since gt v0.3.0, `columns = vars(...)` has been deprecated
.
## • Please use `columns = c(...)` instead.
## Since gt v0.3.0, `columns = vars(...)` has been deprecated.
## • Please use `columns = c(...)` instead.
Kolmogorov-Smirnof 0.2296***
#####################################################Tabela Stargazer#
##
## Dependent variable:
## --------------------------------------------
---------------------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
---------------------
## EfOp -0.0021 -0.0040**
* -0.0038***
## (0.0017) (0.0008)
(0.0008)
##
## LIQ 0.0356 -0.0781*
-0.0571*
## (0.0385) (0.0421)
(0.0328)
##
## End -1.2190*** -0.2580
-0.5012
## (0.2925) (0.4420)
(0.3791)
##
## Imob 0.4055* 0.0070
0.1524
## (0.2301) (0.3999)
(0.2761)
##
## Lnativo -0.0365 -0.7416**
* -0.3793***
## (0.0348) (0.2390)
(0.1209)
##
## SetorConsumo Padrao 0.0667
0.1913
## (0.2114)
(0.2428)
##
## SetorEnergia -0.2274
0.2865
## (0.2014)
(0.3134)
286
##
## SetorImobiliario -0.4106***
-0.5598***
## (0.1522)
(0.1707)
##
## SetorIndustrial -0.0774
-0.0622
## (0.1834)
(0.2041)
##
## SetorMateriais Basicos -0.3886**
-0.1579
## (0.1522)
(0.2355)
##
## SetorSaude 0.7824***
0.8876***
## (0.2656)
(0.3183)
##
## SetorTecnologia 1.2750*
1.4150
## (0.7368)
(0.9196)
##
## SetorTelecomunicacoes -0.1751
0.2203
## (0.2208)
(0.3112)
##
## SetorUtilidades -0.0507
0.3925*
## (0.1728)
(0.2317)
##
## PIB 9.7730** 11.4800**
* 8.6060**
## (4.7780) (3.8070)
(3.9100)
##
## IPCA -0.1409*** -0.1159**
* -0.1404***
287
## (0.0182) (0.0173)
(0.0158)
##
## LFT -39.3600*** -38.3400**
* -39.5800***
## (5.2490) (5.2420)
(5.3960)
##
## NGCBovespaMais1e2 -0.1579
-0.5298
## (0.1903)
(0.4402)
##
## NGCNivel1e2 -0.0461
0.5832*
## (0.1726)
(0.3056)
##
## NGCNovoMeracdo 0.1653
0.6205**
## (0.1456)
(0.2417)
##
## Covid 0.1046** 0.2284***
0.1147**
## (0.0415) (0.0780)
(0.0495)
##
## Inov 0.0662 -0.0657
-0.0161
## (0.1529) (0.0836)
(0.0781)
##
## Constant 2.2310***
9.3230***
## (0.7096)
(2.4990)
##
## -------------------------------------------------------------------
---------------------
## Observations 4,944 4,944
4,944
## R2 0.1748 0.1367
0.1269
288
#PrLc
painel$vard<-painel$PrLc
summary(regp)
summary(regfe)
summary(regre)
#####################################################Testes para os mo
delos###
#Teste F para H0: Modelo Pooled vs H1: Efeitos Fixos
b1<-pFtest(regfe, regp) #rejeito H0
b1
#Teste LM para H0: Modelo Pooled vs H1: Efeitos Aleat?rios
b2<-plmtest(regp) #rejeito H0
b2
#Teste de Hausman para H0: Efeitos Aleat?rios vs H1: Efeitos Fixos
b3<-phtest(regre,regfe) # não rejeito H0
b3
#seleciono modelo de efeitos aleatórios
289
######################################################Tabela Resumo###
options(digits = 4)
rPrLc<-regre
tabela<-cbind(b,c)
tabela[1,2]<-round(as.numeric(b1$statistic),4)
tabela[1,3]<-as.numeric(b1$p.value)
tabela[2,2]<-round(as.numeric(b2$statistic),4)
tabela[2,3]<-as.numeric(b2$p.value)
tabela[3,2]<-round(as.numeric(b3$statistic),4)
tabela[3,3]<-as.numeric(b3$p.value)
tabela[1,5]<-round(as.numeric(c1$statistic),4)
tabela[1,6]<-as.numeric(c1$p.value)
tabela[2,5]<-round(as.numeric(c2$statistic),4)
tabela[2,6]<-as.numeric(c2$p.value)
tabela[3,5]<-round(as.numeric(c3$statistic),4)
tabela[3,6]<-as.numeric(c3$p.value)
tabela[4,5]<-round(as.numeric(c4$statistic),4)
tabela[4,6]<-as.numeric(c4$p.value)
tabela
291
for ( i in 1:3){
if(tabela$Pvalue2[i]=="NaN"){
tabela$Test2[i]<-"NaN"
}
tabela$Pvalue2[i]<-round(as.numeric(tabela$Pvalue2[i]),3)
if(tabela$Pvalue2[i]<0.01){
tabela$Test2[i]<-paste(tabela$Test2[i],"***",sep="")
}else{
if(tabela$Pvalue2[i]<0.05){
tabela$Test2[i]<-paste(tabela$Test2[i],"**",sep="")
} else{
if(tabela$Pvalue2[i]<0.1){
tabela$Test2[i]<-paste(tabela$Test2[i],"*",sep="")
}else{
tabela$Test2[i]<-paste(tabela$Test2[i],"",sep="")
}
for ( i in 1:4){
if(tabela$Pvalue3[i]=="NaN"){
tabela$Test3[i]<-"NaN"
}
tabela$Pvalue3[i]<-round(as.numeric(tabela$Pvalue3[i]),3)
if(tabela$Pvalue3[i]<0.01){
tabela$Test3[i]<-paste(tabela$Test3[i],"***",sep="")
}else{
if(tabela$Pvalue3[i]<0.05){
292
tabela$Test3[i]<-paste(tabela$Test3[i],"**",sep="")
} else{
if(tabela$Pvalue3[i]<0.1){
tabela$Test3[i]<-paste(tabela$Test3[i],"*",sep="")
}else{
tabela$Test3[i]<-paste(tabela$Test3[i],"",sep="")
}
}
tabela[,c(1,2,4,5)]%>%
gt()%>%
Model2 =md("**Test**"),
Test2=md("**Estatistic**"),
Model3 =md("**Test**"),
Test3=md("**Estatistic**"))
## Warning: Since gt v0.3.0, `columns = vars(...)` has been deprecated
.
## • Please use `columns = c(...)` instead.
## Since gt v0.3.0, `columns = vars(...)` has been deprecated.
## • Please use `columns = c(...)` instead.
Kolmogorov-Smirnof 0.5393***
#####################################################Tabela Stargazer#
##
##
## LIQ 7.8530* 16.6200
10.3600*
## (4.2080) (11.1300)
(6.0300)
##
## End -25.3600 -146.7000
-39.0000
## (55.9900) (186.5000)
(97.1100)
##
## Imob 21.7700 -131.6000
-9.1880
## (32.4000) (135.1000)
(54.2000)
##
## Lnativo 3.6500 -4.3890
3.9300
## (5.5020) (27.9000)
(6.3170)
##
## SetorConsumo Padrao 27.0200
35.0200
## (27.8600)
(28.4200)
##
## SetorEnergia -2.4630
16.6400
## (25.9900)
(37.7000)
##
## SetorImobiliario 23.2500
5.0790
## (30.4000)
(26.7200)
##
## SetorIndustrial -6.8560
-2.1190
## (18.1600)
(19.3600)
##
## SetorMateriais Basicos -16.6700
-10.7200
295
## (19.6800)
(26.6200)
##
## SetorSaude 31.6000
46.6900**
## (19.2900)
(22.1200)
##
## SetorTecnologia 50.4100
47.1200
## (31.4200)
(33.8000)
##
## SetorTelecomunicacoes 23.0500
44.0800
## (26.9400)
(29.8500)
##
## SetorUtilidades 11.1400
-4.2230
## (45.6600)
(87.7700)
##
## PIB -1,302.0000 -1,621.0000
-1,435.0000
## (2,116.0000) (2,152.0000)
(2,177.0000)
##
## IPCA -11.9800 -10.6900
-12.3800
## (9.5400) (8.7940)
(9.0250)
##
## LFT -1,859.0000 -875.8000
-1,587.0000
## (1,346.0000) (1,019.0000)
(1,194.0000)
##
## NGCBovespaMais1e2 -22.0900
-24.6900
## (27.9400)
(39.9300)
##
296
## NGCNivel1e2 8.8490
18.1400
## (18.7000)
(24.8300)
##
## NGCNovoMeracdo 20.3400
19.9800
## (29.2700)
(50.4400)
##
## Covid 2.4870 11.6300
0.7251
## (17.8300) (22.1800)
(16.2700)
##
## Inov 4.2260 -105.9000
-25.3700
## (17.7300) (69.4800)
(27.9600)
##
## Constant -23.0600
-19.7100
## (116.2000)
(140.9000)
##
## -------------------------------------------------------------------
-----------------
## Observations 4,944 4,944
4,944
## R2 0.0048 0.0064
0.0032
## Adjusted R2 0.0004 -0.0517
-0.0012
## F Statistic 1.0830 (df = 22; 4921) 3.0160*** (df = 10; 4
670) 16.4600
## ===================================================================
=================
## Note: *p<0.1; **
p<0.05; ***p<0.01
#Resumo Geral
## SetorTelecomunicacoes
44.0800
##
(29.8500)
##
## SetorUtilidades
-4.2230
##
(87.7700)
##
## PIB -0.4748*** -3.1630 -26.2400 11.4800*
** -1,435.0000
## (0.1707) (1.9450) (40.4800) (3.8070
) (2,177.0000)
##
## IPCA 0.0002 -0.0219 0.9052 -0.1159*
** -12.3800
## (0.0012) (0.0144) (1.2820) (0.0173
) (9.0250)
##
## LFT -0.2798** -3.5410** -38.3800 -38.3400
*** -1,587.0000
## (0.1220) (1.6210) (55.7500) (5.2420
) (1,194.0000)
##
## NGCBovespaMais1e2
-24.6900
##
(39.9300)
##
## NGCNivel1e2
18.1400
##
(24.8300)
##
## NGCNovoMeracdo
19.9800
##
(50.4400)
##
## Covid 0.0013 0.0012 -2.0150 0.2284*
** 0.7251
## (0.0017) (0.0236) (2.2000) (0.0780
) (16.2700)
300
##
## Inov -0.0005 0.0157 0.6173 -0.065
7 -25.3700
## (0.0026) (0.0322) (0.4706) (0.0836
) (27.9600)
##
## Constant
-19.7100
##
(140.9000)
##
## -------------------------------------------------------------------
----------------
## Observations 4,944 4,944 4,944 4,944
4,944
## R2 0.0064 0.0048 0.0094 0.1367
0.0032
## Adjusted R2 -0.0517 -0.0534 -0.0485 0.0863
-0.0012
## F Statistic (df = 10; 4670) 3.0120*** 2.2490** 4.4450*** 73.9700*
** 16.4600
## ===================================================================
================
## Note: *p<0.1; **p
<0.05; ***p<0.01
library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
301
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.csv", header = T,sep = ";"
,dec = ".",quote = "\""))
row.names =TRUE)
names(painel)
summary(painel)
painel$Setor<-as.factor(painel$Setor)
Painel<-painel
nivel<-levels(painel$Setor)
###################################Consumo Descriionario#########
i=1
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Descricionario"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp1<-regp
regef1<-(regfe)
303
regrf1<-(regre)
## -------------------------------------------------------------------
------
## Observations 1,155 1,155 1
,155
## R2 0.0356 0.0167 0.
0162
## Adjusted R2 0.0272 -0.0468 0.
0076
## F Statistic 4.2236*** (df = 10; 1144) 1.8416** (df = 10; 1084) 20.
0729**
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
###################################Consumo Padrao#########
i=2
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Padrao"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp2<-regp
regef2<-(regfe)
regrf2<-(regre)
306
##
## Imob 0.0552*** 0.0521 0.05
67***
## (0.0135) (0.0365) (0.
0153)
##
## Lnativo 0.0019 0.0062 0.
0031
## (0.0018) (0.0088) (0.
0023)
##
## PIB -0.5691 -0.5197 -0.
5395
## (0.5026) (0.3392) (0.
4419)
##
## IPCA 0.0025 0.0022 0.
0025
## (0.0042) (0.0041) (0.
0041)
##
## LFT -0.7635*** -0.8806*** -0.7
879***
## (0.2930) (0.3363) (0.
2953)
##
## Covid -0.0042 -0.0031 -0.
0043
## (0.0044) (0.0061) (0.
0044)
##
## Inov 0.0050 -0.0014 0.
0028
## (0.0059) (0.0050) (0.
0056)
##
## Constant -0.0238 -0.
0503
## (0.0412) (0.
0547)
##
## -------------------------------------------------------------------
------
308
regp3<-regp
regef3<-(regfe)
regrf3<-(regre)
309
regp4<-regp
regef4<-(regfe)
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE"))
##
## CFROA Imobiliario
## ==========================================================
## Dependent variable:
## ---------------------------------------------
## vard
## Pooled FE
## (1) (2)
## ----------------------------------------------------------
## EfOp -0.0005 -0.0006
## (0.0004) (0.0005)
##
## LIQ 0.0029 0.0047
## (0.0025) (0.0032)
##
## End -0.0067 -0.0342
## (0.0142) (0.0239)
##
## Imob -0.0993** 0.3152
## (0.0487) (0.3484)
##
## Lnativo 0.0031 -0.0108
## (0.0022) (0.0106)
##
## PIB -0.4516 -0.4121
## (0.3833) (0.3785)
##
## IPCA 0.0021 0.0023
## (0.0025) (0.0027)
##
## LFT 0.1344 0.3819
## (0.5463) (0.5766)
##
313
regp5<-regp
regef5<-(regfe)
314
regrf5<-(regre)
## -------------------------------------------------------------------
----
## Observations 762 762 762
## R2 0.0218 0.0551 0.02
80
## Adjusted R2 0.0088 -0.0171 0.01
51
## F Statistic 1.6770* (df = 10; 751) 4.1232*** (df = 10; 707) 23.848
5***
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################Materiais Basicos#########
i=6
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Materiais Basicos"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp6<-regp
regef6<-(regfe)
regrf6<-(regre)
317
##
## Imob 0.0105 0.0007 0
.0062
## (0.0128) (0.0387) (0
.0151)
##
## Lnativo 0.0022*** 0.0073 0.0
026***
## (0.0007) (0.0110) (0
.0007)
##
## PIB -0.5811 -0.5931 -0
.5123
## (0.6620) (0.6458) (0
.6569)
##
## IPCA -0.0009 -0.0016 -0
.0011
## (0.0043) (0.0044) (0
.0043)
##
## LFT -0.8227* -0.8616* -0
.8255*
## (0.4981) (0.5047) (0
.5011)
##
## Covid 0.0067* 0.0046 0.
0066*
## (0.0038) (0.0043) (0
.0039)
##
## Inov 0.0040 0.0075** 0
.0050
## (0.0045) (0.0036) (0
.0036)
##
## Constant 0.0078 -0
.0091
## (0.0172) (0
.0160)
##
## -------------------------------------------------------------------
-------
319
regp7<-regp
regef7<-(regfe)
regrf7<-(regre)
320
regp8<-regp
regef8<-(regfe)
regrf8<-(regre)
regp9<-regp
regef9<-(regfe)
regrf9<-(regre)
## -----------------------------------------------------------------
## EfOp -0.0529*** -0.0006 -0.0365**
## (0.0151) (0.0129) (0.0158)
##
## LIQ 0.0010* 0.0007* 0.0011**
## (0.0005) (0.0004) (0.0005)
##
## End -0.0430** 0.0335 -0.0316*
## (0.0168) (0.0267) (0.0177)
##
## Imob 0.0751*** -0.0309 0.0458*
## (0.0278) (0.0489) (0.0244)
##
## Lnativo 0.0006 0.0516* 0.0029*
## (0.0014) (0.0267) (0.0017)
##
## PIB 0.4144 0.2163 0.3330
## (0.5821) (0.6527) (0.6641)
##
## IPCA -0.0134* -0.0117 -0.0116
## (0.0076) (0.0082) (0.0075)
##
## LFT -0.3193 -2.2083*** -0.8274
## (0.5574) (0.8037) (0.5647)
##
## Covid 0.0040 -0.0099 0.0035
## (0.0094) (0.0074) (0.0088)
##
## Inov -0.0012 0.0029 -0.0078
## (0.0101) (0.0080) (0.0106)
##
## Constant 0.0523* -0.0010
## (0.0316) (0.0288)
##
## -----------------------------------------------------------------
## Observations 109 109 109
## R2 0.1489 0.0822 0.0698
327
regp10<-regp
regef10<-(regfe)
regrf10<-(regre)
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))),
sqrt(diag(vcovHC(regp5, type = "HC1"))),
sqrt(diag(vcovHC(regp6, type = "HC1"))),
sqrt(diag(vcovHC(regp7, type = "HC1"))),
sqrt(diag(vcovHC(regp8, type = "HC1"))),
sqrt(diag(vcovHC(regp9, type = "HC1"))),
sqrt(diag(vcovHC(regp10, type = "HC1"))))
## -------------------------------------------------------------------
--------------------------------------------------------------------
## EfOp -0.0024** -0.0103**
-0.0022 -0.0005 0.0070
## (0.0011) (0.0050)
(0.0064) (0.0004) (0.0228)
##
## LIQ -0.0004 0.0283***
0.0028* 0.0029 -0.0007
## (0.0004) (0.0078)
(0.0017) (0.0025) (0.0036)
##
## End -0.0273** -0.0408***
-0.0630*** -0.0067 -0.0150
## (0.0126) (0.0135)
(0.0211) (0.0142) (0.0184)
##
## Imob 0.0006 0.0552***
0.0369* -0.0993** -0.0052
## (0.0165) (0.0135)
(0.0199) (0.0487) (0.0165)
##
## Lnativo 0.0012 0.0019
0.0047* 0.0031 0.0002
## (0.0022) (0.0018)
(0.0028) (0.0022) (0.0035)
##
## PIB -0.3587 -0.5691
-0.3363 -0.4516 -1.3020**
## (0.4027) (0.5026)
(0.5607) (0.3833) (0.6066)
##
## IPCA -0.0016 0.0025
-0.0003 0.0021 0.0014
## (0.0029) (0.0042)
(0.0065) (0.0025) (0.0036)
##
## LFT -0.3073 -0.7635***
-0.7971** 0.1344 -0.2826
## (0.2495) (0.2930)
(0.4030) (0.5463) (0.2983)
##
## Covid -0.0054 -0.0042
0.0038 -0.0068 0.0041
332
## (0.0036) (0.0044)
(0.0056) (0.0051) (0.0043)
##
## Inov -0.0127** 0.0050
-0.0154 0.0017
## (0.0064) (0.0059)
(0.0151) (0.0104)
##
## Constant 0.0013 -0.0238
-0.0724 -0.0574 0.0158
## (0.0481) (0.0412)
(0.0687) (0.0449) (0.0860)
##
## -------------------------------------------------------------------
--------------------------------------------------------------------
## Observations 1,155 475
199 510 762
## R2 0.0356 0.1259
0.1886 0.0479 0.0218
## Adjusted R2 0.0272 0.1071
0.1454 0.0308 0.0088
## F Statistic 4.2236*** (df = 10; 1144) 6.6837*** (df = 10; 464) 4.3
686*** (df = 10; 188) 2.7956*** (df = 9; 500) 1.6770* (df = 10; 751)
## ===================================================================
====================================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regp6,regp7,regp8,regp9, regp10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROA Pooled
## ===================================================================
===================================================================
## Dep
endent variable:
## ------------------------------------------------------
-------------------------------------------------------------------
##
vard
333
## (0.2495) (0.2930)
(0.4030) (0.5463) (0.2983)
##
## Covid 0.0067* 0.0033
-0.0234*** 0.0040 0.0066
## (0.0036) (0.0044)
(0.0056) (0.0051) (0.0043)
##
## Inov 0.0040 0.0177***
0.0012 -0.0012 0.0032
## (0.0064) (0.0059)
(0.0151) (0.0104)
##
## Constant 0.0078 0.0101
0.1205* 0.0523 0.0889
## (0.0481) (0.0412)
(0.0687) (0.0449) (0.0860)
##
## -------------------------------------------------------------------
-------------------------------------------------------------------
## Observations 550 256
99 109 829
## R2 0.1714 0.3447
0.1906 0.1489 0.0653
## Adjusted R2 0.1561 0.3179
0.0986 0.0620 0.0539
## F Statistic 11.1528*** (df = 10; 539) 12.8873*** (df = 10; 245) 2.
0720** (df = 10; 88) 1.7139* (df = 10; 98) 5.7180*** (df = 10; 818)
## ===================================================================
===================================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))),
sqrt(diag(vcovHC(regef5, type = "HC1"))),
sqrt(diag(vcovHC(regef6, type = "HC1"))),
sqrt(diag(vcovHC(regef7, type = "HC1"))),
sqrt(diag(vcovHC(regef8, type = "HC1"))),
sqrt(diag(vcovHC(regef9, type = "HC1"))),
335
## F Statistic 1.8416** (df = 10; 1084) 3.0137*** (df = 10; 439) 0.85
38 (df = 9; 179) 1.7155* (df = 9; 474) 4.1232*** (df = 10; 707)
## ===================================================================
===============================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regef6,regef7,regef8,regef9, regef10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROA Efeitos Fixos
## ===================================================================
=============================================================
## Depend
ent variable:
## ------------------------------------------------------
-------------------------------------------------------------
##
vard
## Materiais Basicos Saude T
ecnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
-------------------------------------------------------------
## EfOp -0.0129*** -0.00001 -
0.0205*** -0.0006 -0.0029
## (0.0005) (0.0043)
(0.0039) (0.0005) (0.0278)
##
## LIQ 0.0121*** 0.0004
0.00004 0.0007 -0.0034
## (0.0026) (0.0137)
(0.0020) (0.0032) (0.0053)
##
## End -0.0592*** -0.0403
0.0627** 0.0335 -0.0221
## (0.0194) (0.0326)
(0.0279) (0.0239) (0.0213)
##
338
## F Statistic 4.3527*** (df = 10; 515) 1.7140* (df = 10; 231) 1.6914
* (df = 10; 82) 0.8057 (df = 10; 90) 5.4832*** (df = 10; 781)
## ===================================================================
=============================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios
##
## Inov -0.0082** 0.0028 -0.0142 0.0
097
## (0.0041) (0.0056) (0.0139) (0.0
072)
##
## Constant -0.0182 -0.0503 -0.0924 0.0
454
## (0.0594) (0.0547) (0.0610) (0.0
854)
##
## -------------------------------------------------------------------
-----
## Observations 1,155 475 199 76
2
## R2 0.0162 0.0862 0.0777 0.0
280
## Adjusted R2 0.0076 0.0665 0.0287 0.0
151
## F Statistic 20.0729** 45.9463*** 14.7525 23.84
85***
## ===================================================================
=====
## Note: *p<0.1; **p<0.05; ***p
<0.01
stargazer(regrf6,regrf7,regrf8,regrf9, regrf10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROA Efeitos Aleatorios
## ===================================================================
=============
## Dependent variable:
## ------------------------------------------------------
-------------
## vard
## Materiais Basicos Saude Tecnologia Telecomunicaco
es Utilidades
## (1) (2) (3) (4)
(5)
342
## -------------------------------------------------------------------
-------------
## EfOp -0.0251*** 0.00003 -0.0260*** -0.0365
-0.0063
## (0.0006) (0.0041) (0.0043) (0.0272)
(0.0096)
##
## LIQ 0.0115*** -0.0031 -0.0002 0.0011
-0.0028
## (0.0004) (0.0093) (0.0015) (0.0041)
(0.0032)
##
## End -0.0366*** -0.0671*** -0.0995*** -0.0316
-0.0035
## (0.0128) (0.0147) (0.0206) (0.0215)
(0.0095)
##
## Imob 0.0062 -0.0039 0.0799*** 0.0458**
-0.0040
## (0.0146) (0.0153) (0.0187) (0.0213)
(0.0151)
##
## Lnativo 0.0026 0.0008 -0.0021 0.0029
-0.0024***
## (0.0027) (0.0023) (0.0026) (0.0037)
(0.0007)
##
## PIB -0.5123 0.5524 -1.9680*** 0.3330
-1.0477
## (0.3789) (0.4419) (0.5271) (0.5463)
(0.6569)
##
## IPCA -0.0011 -0.0042 -0.0014 -0.0116***
-0.0003
## (0.0028) (0.0041) (0.0063) (0.0036)
(0.0043)
##
## LFT -0.8255*** -0.7037** 0.2458 -0.8274***
0.1857
## (0.2500) (0.2953) (0.3417) (0.2661)
(0.5011)
##
## Covid 0.0066* 0.0036 -0.0233*** 0.0035
0.0065*
343
library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
344
drop.index=TRUE,
row.names =TRUE)
names(painel)
summary(painel)
painel$Setor<-as.factor(painel$Setor)
Painel<-painel
nivel<-levels(painel$Setor)
###################################Consumo Descriionario#########
i=1
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Descricionario"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp1<-regp
346
regef1<-(regfe)
regrf1<-(regre)
## -------------------------------------------------------------------
---
## Observations 1,155 1,155 1,15
5
## R2 0.0160 0.0136 0.014
5
## Adjusted R2 0.0074 -0.0500 0.005
9
## F Statistic 1.8630** (df = 10; 1144) 1.4995 (df = 10; 1084) 16.724
4*
## ===================================================================
===
## Note: *p<0.1; **p<0.05; ***p<0
.01
###################################Consumo Padrao#########
i=2
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Padrao"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp2<-regp
regef2<-(regfe)
regrf2<-(regre)
349
regp3<-regp
regef3<-(regfe)
regrf3<-(regre)
##
## PIB 0.4130 0.4315 0.5004
## (2.1487) (2.0314) (2.0277)
##
## IPCA 0.0033 0.0049 0.0039
## (0.0245) (0.0250) (0.0238)
##
## LFT -2.6449 -2.7800* -2.7696
## (2.0073) (1.6060) (1.8921)
##
## Covid 0.0092 0.0099 0.0089
## (0.0157) (0.0154) (0.0158)
##
## Inov -0.0389 -0.0296
## (0.0592) (0.0581)
##
## Constant -0.4590* -0.4930*
*
## (0.2748) (0.2435)
##
## -------------------------------------------------------------------
-
## Observations 199 199 199
## R2 0.1276 0.0538 0.0755
## Adjusted R2 0.0812 -0.0466 0.0263
## F Statistic 2.7509*** (df = 10; 188) 1.1313 (df = 9; 179) 14.4388
## ===================================================================
=
## Note: *p<0.1; **p<0.05; ***p<0.0
1
###################################Imobiliario#########
i=4
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Imobiliario"
painel$vard<-painel$CFROE
names (painel)
354
regp4<-regp
regef4<-(regfe)
## Pooled FE
## (1) (2)
## -------------------------------------------------------------
## EfOp 0.0011 0.0057
## (0.0038) (0.0053)
##
## LIQ -0.0264 -0.0770
## (0.0340) (0.0650)
##
## End -0.9317 -3.5655
## (0.8335) (2.9416)
##
## Imob -0.5420* -3.0320
## (0.2770) (7.3412)
##
## Lnativo 0.0724 0.6027
## (0.0531) (0.5151)
##
## PIB -2.4943 -8.9510
## (1.6775) (7.4270)
##
## IPCA 0.0005 -0.0098
## (0.0124) (0.0274)
##
## LFT 2.0233 -2.3066
## (4.8597) (5.7443)
##
## Covid -0.0263 -0.2701
## (0.0340) (0.2055)
##
## Constant -1.3084
## (0.9500)
##
## -------------------------------------------------------------
## Observations 510 510
## R2 0.0551 0.1707
## Adjusted R2 0.0381 0.1095
356
regp5<-regp
regef5<-(regfe)
regrf5<-(regre)
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE Industrial
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
## Pooled FE RE
## (1) (2) (3
)
## -------------------------------------------------------------------
----
## EfOp -0.0854 0.0053 -0.0
122
## (0.0596) (0.0634) (0.06
52)
##
## LIQ -0.0072 0.0305 -0.0
040
## (0.0269) (0.0315) (0.02
54)
##
## End -0.1714 -0.8222 -0.4
483
## (0.3551) (0.5973) (0.45
12)
##
## Imob -0.0277 0.4760 0.33
35
## (0.1989) (0.3898) (0.29
89)
##
## Lnativo 0.0373 -0.2749** 0.02
44
## (0.0530) (0.1302) (0.04
78)
358
##
## PIB -3.4875 1.3380 -0.4
152
## (4.2626) (4.7257) (4.47
11)
##
## IPCA 0.0327 0.0648 0.04
32
## (0.0380) (0.0425) (0.03
94)
##
## LFT -9.5103* -4.1959 -8.2
244
## (5.7662) (4.6394) (5.56
73)
##
## Covid -0.0318 0.1134** -0.0
033
## (0.0406) (0.0488) (0.03
18)
##
## Inov -0.0750 -0.0309 -0.0
016
## (0.1290) (0.0442) (0.05
23)
##
## Constant -0.5536 -0.4
414
## (1.1125) (1.01
11)
##
## -------------------------------------------------------------------
----
## Observations 762 762 76
2
## R2 0.0256 0.0612 0.02
63
## Adjusted R2 0.0126 -0.0105 0.01
33
## F Statistic 1.9705** (df = 10; 751) 4.6079*** (df = 10; 707) 19.62
67**
## ===================================================================
====
359
regp6<-regp
regef6<-(regfe)
regrf6<-(regre)
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROE Materiais Basicos
## ===================================================================
===
## Dependent variable:
## ------------------------------------------------------
---
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
---
## EfOp -0.0311 0.0556 -0.011
0
## (0.0605) (0.0755) (0.058
9)
##
## LIQ 0.0129 0.0015 0.014
1
## (0.0286) (0.0252) (0.026
4)
##
## End 0.2270* 0.2505 0.2239
*
## (0.1180) (0.3517) (0.126
2)
##
## Imob -0.0045 -0.0438 -0.000
4
## (0.1146) (0.3935) (0.103
2)
##
## Lnativo -0.0129 0.0700 -0.011
5
## (0.0128) (0.0934) (0.012
7)
##
361
i=7
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Saude"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp7<-regp
regef7<-(regfe)
regrf7<-(regre)
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Tecnologia"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp8<-regp
regef8<-(regfe)
regrf8<-(regre)
##
## CFROE Tecnologia
## ===================================================================
====
## Dependent variable:
## ------------------------------------------------------
----
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
----
## EfOp -0.8710*** -0.8064*** -0.871
0***
## (0.0628) (0.1092) (0.06
28)
##
## LIQ 0.0247 -0.0240** 0.02
47
## (0.0245) (0.0098) (0.02
45)
##
## End -0.1923 1.0326 -0.19
23
## (0.6877) (0.9241) (0.68
77)
##
## Imob 4.0484* 2.2821** 4.048
4*
## (2.1404) (1.1501) (2.14
04)
##
## Lnativo -0.0472 0.7657*** -0.04
72
## (0.0677) (0.2824) (0.06
77)
##
## PIB -1.6162 -21.9495** -1.61
62
## (7.1004) (8.5773) (7.10
04)
##
367
## [1] "Telecomunicacoes"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp9<-regp
regef9<-(regfe)
regrf9<-(regre)
## Dependent variable:
## ----------------------------------------------------
## vard
## Pooled FE RE
## (1) (2) (3)
## -----------------------------------------------------------------
## EfOp -0.2050*** 0.1464 -0.2050***
## (0.0290) (0.1107) (0.0290)
##
## LIQ 0.0039* 0.0002 0.0039*
## (0.0021) (0.0049) (0.0021)
##
## End -0.0224 0.5222* -0.0224
## (0.0744) (0.2877) (0.0744)
##
## Imob 0.2516** -0.0229 0.2516**
## (0.1043) (0.3939) (0.1043)
##
## Lnativo 0.0136 0.6169 0.0136
## (0.0197) (0.4657) (0.0197)
##
## PIB -4.6581 -2.1027 -4.6581
## (7.0946) (5.5054) (7.0946)
##
## IPCA 0.0544 0.0467 0.0544
## (0.0882) (0.0777) (0.0882)
##
## LFT -15.2953 -27.7646 -15.2953
## (13.7432) (20.2851) (13.7432)
##
## Covid -0.0785 -0.2210 -0.0785
## (0.0624) (0.1437) (0.0624)
##
## Inov -0.1495 -0.1089 -0.1495
## (0.1405) (0.0750) (0.1405)
##
## Constant 0.0959 0.0959
370
## (0.2508) (0.2508)
##
## -----------------------------------------------------------------
## Observations 109 109 109
## R2 0.0680 0.1455 0.0680
## Adjusted R2 -0.0271 -0.0254 -0.0271
## F Statistic 0.7151 (df = 10; 98) 1.5321 (df = 10; 90) 7.1506
## =================================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Utilidades#########
i=10
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Utilidades"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp10<-regp
regef10<-(regfe)
regrf10<-(regre)
## R2 0.0960 0.0572 0.
0604
## Adjusted R2 0.0850 0.0005 0.
0490
## F Statistic 8.6898*** (df = 10; 818) 4.7423*** (df = 10; 781) 51.6
586***
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))),
sqrt(diag(vcovHC(regp5, type = "HC1"))),
sqrt(diag(vcovHC(regp6, type = "HC1"))),
sqrt(diag(vcovHC(regp7, type = "HC1"))),
sqrt(diag(vcovHC(regp8, type = "HC1"))),
sqrt(diag(vcovHC(regp9, type = "HC1"))),
sqrt(diag(vcovHC(regp10, type = "HC1"))))
##
vard
## Consumo Descricionario Consumo Padrao
Energia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
--------------------------------------------------------------------
## EfOp -0.0156 -0.0542
0.0099 0.0011 -0.0854
## (0.0101) (0.0705)
(0.0245) (0.0038) (0.0596)
##
## LIQ 0.0006 0.1679***
0.0059 -0.0264 -0.0072
## (0.0029) (0.0563)
(0.0052) (0.0340) (0.0269)
##
## End 0.1879 0.4573*
-0.1164* -0.9317 -0.1714
## (0.1774) (0.2606)
(0.0656) (0.8335) (0.3551)
##
## Imob -0.0372 -0.0661
0.0501 -0.5420* -0.0277
## (0.1213) (0.2246)
(0.0775) (0.2770) (0.1989)
##
## Lnativo -0.0141 0.0330
0.0228** 0.0724 0.0373
## (0.0175) (0.0266)
(0.0115) (0.0531) (0.0530)
##
## PIB -0.2738 -16.3150
0.4130 -2.4943 -3.4875
## (2.2041) (13.7265)
(2.1487) (1.6775) (4.2626)
##
## IPCA -0.0791** -0.0631
0.0033 0.0005 0.0327
## (0.0397) (0.0629)
(0.0245) (0.0124) (0.0380)
##
375
## ===================================================================
==================================================================
## Depe
ndent variable:
## ------------------------------------------------------
------------------------------------------------------------------
##
vard
## Materiais Basicos Saude
Tecnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
------------------------------------------------------------------
## EfOp -0.0311*** -0.0005
-0.8710*** -0.2050*** -0.0248
## (0.0101) (0.0705)
(0.0245) (0.0038) (0.0596)
##
## LIQ 0.0129*** -0.0185
0.0247*** 0.0039 -0.0035
## (0.0029) (0.0563)
(0.0052) (0.0340) (0.0269)
##
## End 0.2270 -0.0765
-0.1923*** -0.0224 0.1783
## (0.1774) (0.2606)
(0.0656) (0.8335) (0.3551)
##
## Imob -0.0045 -0.2228
4.0484*** 0.2516 -0.0015
## (0.1213) (0.2246)
(0.0775) (0.2770) (0.1989)
##
## Lnativo -0.0129 0.0044
-0.0472*** 0.0136 -0.0085
## (0.0175) (0.0266)
(0.0115) (0.0531) (0.0530)
##
## PIB -1.5843 1.3562
-1.6162 -4.6581*** -3.8587
## (2.2041) (13.7265)
(2.1487) (1.6775) (4.2626)
##
377
##
## End 0.0995 -0.2759 -0
.1599* -3.5655 -0.8222
## (0.3223) (0.6335) (0
.0953) (2.9416) (0.5973)
##
## Imob 0.3105 -0.0577 0.
1549** -3.0320 0.4760
## (0.3406) (0.3500) (0
.0774) (7.3412) (0.3898)
##
## Lnativo 0.0326 0.1187** 0
.0144 0.6027 -0.2749**
## (0.0570) (0.0578) (0
.0200) (0.5151) (0.1302)
##
## PIB 0.1792 -17.1942 0
.4315 -8.9510 1.3380
## (2.1959) (13.2705) (2
.0314) (7.4270) (4.7257)
##
## IPCA -0.0762* -0.0682 0
.0049 -0.0098 0.0648
## (0.0406) (0.0652) (0
.0250) (0.0274) (0.0425)
##
## LFT 4.2118 -10.4805* -2
.7800* -2.3066 -4.1959
## (3.2614) (5.6181) (1
.6060) (5.7443) (4.6394)
##
## Covid -0.0240 0.1381 0
.0099 -0.2701 0.1134**
## (0.0442) (0.1210) (0
.0154) (0.2055) (0.0488)
##
## Inov -0.0010 -0.0785
-0.0309
## (0.0238) (0.0683)
(0.0442)
##
## -------------------------------------------------------------------
--------------------------------------------------------------
380
##
## End 0.2505 -0.0263 1
.0326*** 0.5222 0.1799
## (0.3223) (0.6335) (
0.0953) (2.9416) (0.5973)
##
## Imob -0.0438 0.1449 2
.2821*** -0.0229 -0.0908
## (0.3406) (0.3500) (
0.0774) (7.3412) (0.3898)
##
## Lnativo 0.0700 -0.0221 0
.7657*** 0.6169 -0.0288
## (0.0570) (0.0578) (
0.0200) (0.5151) (0.1302)
##
## PIB -2.4887 1.7132 -2
1.9495*** -2.1027 -3.3953
## (2.1959) (13.2705) (
2.0314) (7.4270) (4.7257)
##
## IPCA -0.0239 -0.0029 -0
.1059*** 0.0467* 0.0021
## (0.0406) (0.0652) (
0.0250) (0.0274) (0.0425)
##
## LFT -12.9580*** -1.1990 -2
7.1804*** -27.7646*** 0.8167
## (3.2614) (5.6181) (
1.6060) (5.7443) (4.6394)
##
## Covid -0.0004 0.0128 -0
.7001*** -0.2210 0.0359
## (0.0442) (0.1210) (
0.0154) (0.2055) (0.0488)
##
## Inov 0.1766*** -0.0251
0.1608 -0.1089 -0.0169
## (0.0238) (0.0683)
(0.0442)
##
## -------------------------------------------------------------------
-------------------------------------------------------------
382
##
## Covid -0.0096 0.1254 0.0089 -0.00
33
## (0.0220) (0.1214) (0.0158) (0.03
18)
##
## Inov -0.0347 -0.1131 -0.0296 -0.00
16
## (0.0336) (0.0757) (0.0581) (0.05
23)
##
## Constant 0.2674 -0.6967 -0.4930** -0.44
14
## (0.4511) (0.5143) (0.2435) (1.01
11)
##
## -------------------------------------------------------------------
----
## Observations 1,155 475 199 762
## R2 0.0145 0.0531 0.0755 0.02
63
## Adjusted R2 0.0059 0.0327 0.0263 0.01
33
## F Statistic 16.7244* 26.3196*** 14.4388 19.626
7**
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
stargazer(regrf6,regrf7,regrf8,regrf9, regrf10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROE Efeitos Aleatorios
## ===================================================================
============
## Dependent variable:
## ------------------------------------------------------
------------
385
## vard
## Materiais Basicos Saude Tecnologia Telecomunicacoe
s Utilidades
## (1) (2) (3) (4)
(5)
## -------------------------------------------------------------------
------------
## EfOp -0.0110 -0.0004 -0.8710*** -0.2050***
-0.0152
## (0.0101) (0.0591) (0.0156) (0.0652)
(0.0589)
##
## LIQ 0.0141*** -0.0076 0.0247*** 0.0039
-0.0047
## (0.0033) (0.0344) (0.0038) (0.0254)
(0.0264)
##
## End 0.2239 -0.0868 -0.1923*** -0.0224
0.1791
## (0.1895) (0.2663) (0.0713) (0.4512)
(0.1262)
##
## Imob -0.0004 -0.0166 4.0484*** 0.2516
-0.0395
## (0.1282) (0.2200) (0.0683) (0.2989)
(0.1032)
##
## Lnativo -0.0115 0.0032 -0.0472*** 0.0136
-0.0107
## (0.0207) (0.0250) (0.0108) (0.0478)
(0.0127)
##
## PIB -1.6991 1.4057 -1.6162 -4.6581
-3.6063
## (2.3063) (13.6591) (2.0277) (4.4711)
(8.2316)
##
## IPCA -0.0201 -0.0067 -0.0246 0.0544
0.0012
## (0.0391) (0.0644) (0.0238) (0.0394)
(0.0170)
##
## LFT -13.5164*** -1.8579 12.8899*** -15.2953***
0.7412
386
library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
387
names(painel)
summary(painel)
painel$Setor<-as.factor(painel$Setor)
Painel<-painel
nivel<-levels(painel$Setor)
###################################Consumo Descriionario#########
i=1
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Descricionario"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp1<-regp
regef1<-(regfe)
regrf1<-(regre)
##
## LIQ 0.0181 -0.0558
0.0179
## (0.0155) (0.0935) (
0.0157)
##
## End -0.0056 1.0372
0.0093
## (0.1631) (0.8208) (
0.1689)
##
## Imob 0.0861 -1.6987*
0.0881
## (0.2487) (0.9394) (
0.2492)
##
## Lnativo 0.0424 0.5866
0.0448
## (0.0307) (0.3570) (
0.0316)
##
## PIB -6.2587 -10.4369 -
6.1584
## (8.7943) (8.2103) (
8.7520)
##
## IPCA 0.0502 0.0043
0.0505
## (0.1095) (0.0938) (
0.1094)
##
## LFT 10.2436 8.2083 1
0.3409
## (9.7612) (8.3249) (
9.7657)
##
## Covid -0.3662 -0.6846 -
0.3690
## (0.2386) (0.4241) (
0.2398)
##
## Inov -0.1045 -0.2787* -
0.1100
391
## (0.1073) (0.1671) (
0.1082)
##
## Constant -0.8024 -
0.8605
## (0.7038) (
0.7232)
##
## -------------------------------------------------------------------
--------
## Observations 1,155 1,155
1,155
## R2 0.0242 0.0446
0.0243
## Adjusted R2 0.0157 -0.0171
0.0157
## F Statistic 2.8368*** (df = 10; 1144) 5.0561*** (df = 10; 1084) 28
.4821***
## ===================================================================
========
## Note: *p<0.1; **p<0.05; *
**p<0.01
###################################Consumo Padrao#########
i=2
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Padrao"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp2<-regp
regef2<-(regfe)
regrf2<-(regre)
##
## Constant -0.1551 -0.27
70
## (0.2816) (0.44
54)
##
## -------------------------------------------------------------------
----
## Observations 475 475 475
## R2 0.0557 0.0395 0.04
16
## Adjusted R2 0.0354 -0.0371 0.02
10
## F Statistic 2.7377*** (df = 10; 464) 1.8041* (df = 10; 439) 20.758
3**
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################Energia#########
i=3
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Energia"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp3<-regp
regef3<-(regfe)
regrf3<-(regre)
regp4<-regp
regef4<-(regfe)
##
## Lnativo -5.4603 -23.1923
## (4.4503) (16.5205)
##
## PIB 572.1373 792.0066
## (701.1643) (951.5796)
##
## IPCA 10.4028 10.3226
## (10.0425) (9.1517)
##
## LFT 971.9477* 1,579.9910
## (560.4745) (1,219.0710)
##
## Covid -22.0520 -19.2018
## (17.6398) (18.1859)
##
## Constant 95.6533
## (71.9978)
##
## ------------------------------------------------------------
## Observations 510 510
## R2 0.0930 0.1017
## Adjusted R2 0.0767 0.0354
## F Statistic 5.6968*** (df = 9; 500) 5.9617*** (df = 9; 474)
## ============================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Industrial#########
i=5
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Industrial"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
400
regp5<-regp
regef5<-(regfe)
regrf5<-(regre)
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
---------
## EfOp 15.3210 18.3888
17.8434
## (13.1695) (14.2294) (
14.4231)
##
## LIQ 1.5377 2.8610
1.9642
## (1.1226) (2.2363) (
1.6322)
##
## End -3.7495 -6.1749
-3.2239
## (5.1990) (6.8259) (
6.5883)
##
## Imob 0.3293 -17.0365
-0.2090
## (3.1475) (15.1326) (
6.2609)
##
## Lnativo 1.3872 -7.8232
0.7766
## (1.0312) (4.8344) (
1.1224)
##
## PIB 130.3717 234.1805 1
86.2492
## (131.2124) (158.8945) (1
47.4986)
##
## IPCA 0.2642 0.5488
0.2427
## (0.9554) (0.9292) (
0.9281)
##
## LFT -56.0528 28.0175 -
81.4594
402
## (100.3551) (97.5685) (1
00.9899)
##
## Covid 0.3520 2.7897
0.2502
## (1.2265) (2.1393) (
1.1340)
##
## Inov -2.4746 -2.1957
-0.7605
## (2.7044) (1.9695) (
1.8887)
##
## Constant -44.8870 -
34.8109
## (29.4676) (
27.4328)
##
## -------------------------------------------------------------------
---------
## Observations 762 762
762
## R2 0.1585 0.2160
0.1825
## Adjusted R2 0.1473 0.1561
0.1716
## F Statistic 14.1459*** (df = 10; 751) 19.4762*** (df = 10; 707) 16
7.6125***
## ===================================================================
=========
## Note: *p<0.1; **p<0.05;
***p<0.01
###################################Materiais Basicos#########
i=6
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Materiais Basicos"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
403
regp6<-regp
regef6<-(regfe)
regrf6<-(regre)
## Pooled FE
RE
## (1) (2) (
3)
## -------------------------------------------------------------------
------
## EfOp -0.0919*** -0.0499 -0.
0591*
## (0.0303) (0.0373) (0.
0330)
##
## LIQ 0.0520** 0.0726** 0.0
597**
## (0.0252) (0.0356) (0.
0271)
##
## End -0.1515** -0.1670* -0.1
474***
## (0.0620) (0.0854) (0.
0555)
##
## Imob 0.0046 0.2562 0.
0585
## (0.1123) (0.2231) (0.
1555)
##
## Lnativo 0.0098* -0.0208 0.
0066
## (0.0052) (0.1202) (0.
0047)
##
## PIB -3.2815 -2.4070 -2.
9185
## (3.1101) (3.3109) (3.
0888)
##
## IPCA 0.0153 0.0179 0.
0156
## (0.0175) (0.0195) (0.
0177)
##
## LFT -4.8972 -5.0459 -4.
9397
405
regp7<-regp
regef7<-(regfe)
regrf7<-(regre)
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
--
## EfOp 0.0033 0.0008 0.0013
## (0.0025) (0.0007) (0.0009
)
##
## LIQ -0.0377 -0.1106 -0.119
4
## (0.0640) (0.1307) (0.1252
)
##
## End -1.3232 -0.5318 -0.7983
*
## (0.8740) (0.3328) (0.4645
)
##
## Imob -1.5070 -0.4957 -0.976
9
## (1.3257) (0.7612) (0.8667
)
##
## Lnativo -0.0197 -0.2029* -0.062
3
## (0.0963) (0.1215) (0.0697
)
##
## PIB 17.2957 23.0633 21.779
1
## (20.7575) (23.1224) (22.590
1)
##
## IPCA -0.0267 -0.0353 -0.043
6
## (0.0206) (0.0256) (0.0269
)
##
## LFT -20.2381 -3.5192 -8.5494
*
## (12.6927) (2.4083) (4.8902
)
##
408
regp8<-regp
regef8<-(regfe)
regrf8<-(regre)
i=9
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Telecomunicacoes"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp9<-regp
regef9<-(regfe)
regrf9<-(regre)
regp10<-regp
regef10<-(regfe)
414
regrf10<-(regre)
## -------------------------------------------------------------------
-------
## Observations 829 829
829
## R2 0.1179 0.0283 0.
0350
## Adjusted R2 0.1071 -0.0302 0.
0232
## F Statistic 10.9298*** (df = 10; 818) 2.2714** (df = 10; 781) 28.6
472***
## ===================================================================
=======
## Note: *p<0.1; **p<0.05; **
*p<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))),
sqrt(diag(vcovHC(regp5, type = "HC1"))),
sqrt(diag(vcovHC(regp6, type = "HC1"))),
sqrt(diag(vcovHC(regp7, type = "HC1"))),
sqrt(diag(vcovHC(regp8, type = "HC1"))),
sqrt(diag(vcovHC(regp9, type = "HC1"))),
sqrt(diag(vcovHC(regp10, type = "HC1"))))
## D
ependent variable:
## ------------------------------------------------------
----------------------------------------------------------------------
-
##
vard
## Consumo Descricionario Consumo Padrao
Energia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
----------------------------------------------------------------------
-
## EfOp -0.0100 -0.1017***
-0.1970 -1.0395 15.3210
## (0.0216) (0.0383)
(0.1422) (1.5189) (13.1695)
##
## LIQ 0.0181 0.1204***
-0.0393 16.4246 1.5377
## (0.0155) (0.0422)
(0.0480) (13.3816) (1.1226)
##
## End -0.0056 -0.2087***
-0.2676 10.4474 -3.7495
## (0.1631) (0.0742)
(0.5661) (29.0257) (5.1990)
##
## Imob 0.0861 0.0459
-1.6260** 31.6352 0.3293
## (0.2487) (0.1146)
(0.7716) (88.4391) (3.1475)
##
## Lnativo 0.0424 0.0148
0.0368 -5.4603 1.3872
## (0.0307) (0.0107)
(0.0533) (4.4503) (1.0312)
##
## PIB -6.2587 -4.2699
0.3136 572.1373 130.3717
## (8.7943) (4.8734)
(7.8743) (701.1643) (131.2124)
##
418
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROIC Pooled
## ===================================================================
=================================================================
## Depe
ndent variable:
## ------------------------------------------------------
-----------------------------------------------------------------
##
vard
## Materiais Basicos Saude
Tecnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
-----------------------------------------------------------------
## EfOp -0.0919*** 0.0033
-0.4709*** -0.2641 -0.8144
## (0.0216) (0.0383)
(0.1422) (1.5189) (13.1695)
##
## LIQ 0.0520*** -0.0377
-0.0127 0.0489 -0.2144
## (0.0155) (0.0422)
(0.0480) (13.3816) (1.1226)
##
## End -0.1515 -1.3232***
-0.9893* -0.1461 30.1239***
## (0.1631) (0.0742)
(0.5661) (29.0257) (5.1990)
##
## Imob 0.0046 -1.5070***
0.3961 -0.2275 -22.2016***
## (0.2487) (0.1146)
(0.7716) (88.4391) (3.1475)
##
## Lnativo 0.0098 -0.0197*
0.0030 -0.0062 -2.2869**
## (0.0307) (0.0107)
(0.0533) (4.4503) (1.0312)
420
##
## PIB -3.2815 17.2957***
-35.4207*** 12.0085 -240.1226*
## (8.7943) (4.8734)
(7.8743) (701.1643) (131.2124)
##
## IPCA 0.0153 -0.0267
0.3294*** -0.0667 -2.4891***
## (0.1095) (0.0354)
(0.0796) (10.0425) (0.9554)
##
## LFT -4.8972 -20.2381***
-19.1642*** -11.5121 -94.4653
## (9.7612) (1.9787)
(7.0845) (560.4745) (100.3551)
##
## Covid 0.0238 0.1396***
-0.5520*** -0.0779 1.9829
## (0.2386) (0.0247)
(0.1368) (17.6398) (1.2265)
##
## Inov -0.0053 0.0018
-0.1324 0.0035 -2.6102
## (0.1073) (0.0306)
(0.3675) (2.7044)
##
## Constant -0.0443 1.3787***
1.1952 0.6701 55.0704*
## (0.7038) (0.2816)
(1.1606) (71.9978) (29.4676)
##
## -------------------------------------------------------------------
-----------------------------------------------------------------
## Observations 550 256
99 109 829
## R2 0.1231 0.2119
0.1236 0.1701 0.1179
## Adjusted R2 0.1068 0.1798
0.0240 0.0854 0.1071
## F Statistic 7.5633*** (df = 10; 539) 6.5889*** (df = 10; 245) 1.24
11 (df = 10; 88) 2.0081** (df = 10; 98) 10.9298*** (df = 10; 818)
## ===================================================================
=================================================================
421
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))),
sqrt(diag(vcovHC(regef5, type = "HC1"))),
sqrt(diag(vcovHC(regef6, type = "HC1"))),
sqrt(diag(vcovHC(regef7, type = "HC1"))),
sqrt(diag(vcovHC(regef8, type = "HC1"))),
sqrt(diag(vcovHC(regef9, type = "HC1"))),
sqrt(diag(vcovHC(regef10, type = "HC1"))))
## (0.0231) (0.0310)
(0.0746) (1.9345) (14.2294)
##
## LIQ -0.0558 0.1578**
-0.0515 23.0314 2.8610
## (0.0935) (0.0667)
(0.0507) (21.3945) (2.2363)
##
## End 1.0372 -0.3257*
-0.5067* 10.9917 -6.1749
## (0.8208) (0.1673)
(0.2707) (42.5947) (6.8259)
##
## Imob -1.6987* -0.0073
-1.1985 -189.0213 -17.0365
## (0.9394) (0.3218)
(0.7603) (374.5583) (15.1326)
##
## Lnativo 0.5866 -0.0029
-0.0350 -23.1923 -7.8232
## (0.3570) (0.0415)
(0.1186) (16.5205) (4.8344)
##
## PIB -10.4369 -3.0979
1.0957 792.0066 234.1805
## (8.2103) (3.5832)
(5.7388) (951.5796) (158.8945)
##
## IPCA 0.0043 0.0129
-0.0131 10.3226 0.5488
## (0.0938) (0.0369)
(0.0780) (9.1517) (0.9292)
##
## LFT 8.2083 -2.7305
-0.8745 1,579.9910 28.0175
## (8.3249) (2.1289)
(4.7755) (1,219.0710) (97.5685)
##
## Covid -0.6846 0.0081
-0.1793 -19.2018 2.7897
## (0.4241) (0.0246)
(0.1493) (18.1859) (2.1393)
##
423
## (0.0231) (0.0310)
(0.0746) (1.9345) (14.2294)
##
## LIQ 0.0726 -0.1106*
0.1086** 0.0367 -0.0778
## (0.0935) (0.0667)
(0.0507) (21.3945) (2.2363)
##
## End -0.1670 -0.5318*** 1
.5059*** -0.0220 5.5984
## (0.8208) (0.1673)
(0.2707) (42.5947) (6.8259)
##
## Imob 0.2562 -0.4957 -
5.8712*** -0.2146 -12.7809
## (0.9394) (0.3218)
(0.7603) (374.5583) (15.1326)
##
## Lnativo -0.0208 -0.2029*** -
0.2525** 0.1801 -4.0219
## (0.3570) (0.0415)
(0.1186) (16.5205) (4.8344)
##
## PIB -2.4070 23.0633*** -4
1.6014*** 13.9965 -255.9406
## (8.2103) (3.5832)
(5.7388) (951.5796) (158.8945)
##
## IPCA 0.0179 -0.0353 0
.4084*** -0.0743 -2.2853**
## (0.0938) (0.0369)
(0.0780) (9.1517) (0.9292)
##
## LFT -5.0459 -3.5192* -1
2.5583*** -14.0105 -66.5606
## (8.3249) (2.1289)
(4.7755) (1,219.0710) (97.5685)
##
## Covid 0.0408 0.1012***
-0.1829 -0.0933 1.6706
## (0.4241) (0.0246)
(0.1493) (18.1859) (2.1393)
##
425
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## CFROIC Efeitos Aleatorios
## ===================================================================
================
## Dependent variable:
## ------------------------------------------------------
----------------
## vard
## Materiais Basicos Saude Tecnologia Telecomunicac
oes Utilidades
## (1) (2) (3) (4)
(5)
## -------------------------------------------------------------------
----------------
## EfOp -0.0591*** 0.0013 -0.3941*** -0.2641
0.2374***
## (0.0213) (0.0323) (0.0810) (14.4231)
(0.0330)
##
## LIQ 0.0597*** -0.1194** 0.0485 0.0489
-0.1367***
## (0.0157) (0.0495) (0.0487) (1.6322)
(0.0271)
##
## End -0.1474 -0.7983*** 1.1405*** -0.1461
10.4660***
## (0.1689) (0.0920) (0.2935) (6.5883)
(0.0555)
##
## Imob 0.0585 -0.9769*** -3.8226*** -0.2275
-16.5784***
## (0.2492) (0.1612) (0.7381) (6.2609)
(0.1555)
##
## Lnativo 0.0066 -0.0623*** -0.0493 -0.0062
-2.8328***
## (0.0316) (0.0167) (0.0578) (1.1224)
(0.0047)
##
## PIB -2.9185 21.7791*** -42.3033*** 12.0085
-255.6458***
429
library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
431
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.csv", header = T,sep = ";"
,dec = ".",quote = "\""))
432
names(painel)
summary(painel)
painel$Setor<-as.factor(painel$Setor)
Painel<-painel
nivel<-levels(painel$Setor)
###################################Consumo Descriionario#########
i=1
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Descricionario"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp1<-regp
regef1<-(regfe)
regrf1<-(regre)
##
## LIQ -0.0083 -0.2595
-0.1323
## (0.0226) (0.2061)
(0.1064)
##
## End -1.9173*** -1.2253*
-1.2431**
## (0.6146) (0.7015)
(0.6212)
##
## Imob 0.8208 0.0826
0.3367
## (0.6380) (1.1494)
(0.8610)
##
## Lnativo 0.0808 -0.5001*
-0.3225
## (0.1194) (0.2643)
(0.2425)
##
## PIB 5.2189 10.9817
7.5161
## (11.3133) (7.8174)
(9.3064)
##
## IPCA -0.2314*** -0.2211***
-0.2324***
## (0.0441) (0.0388)
(0.0382)
##
## LFT -59.1735*** -63.5246***
-61.1796***
## (13.2371) (16.1515)
(14.4324)
##
## Covid 0.0550 0.0862
0.0291
## (0.1140) (0.1115)
(0.1181)
##
## Inov 0.0206 -0.2299
-0.1608
435
## (0.2942) (0.1972)
(0.1928)
##
## Constant 0.2891
9.2087*
## (2.5178)
(5.4634)
##
## -------------------------------------------------------------------
-----------
## Observations 1,155 1,155
1,155
## R2 0.1021 0.1977
0.1621
## Adjusted R2 0.0942 0.1459
0.1548
## F Statistic 13.0049*** (df = 10; 1144) 26.7130*** (df = 10; 1084)
210.6461***
## ===================================================================
===========
## Note: *p<0.1; **p<0.05
; ***p<0.01
###################################Consumo Padrao#########
i=2
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Padrao"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp2<-regp
regef2<-(regfe)
regrf2<-(regre)
##
## LIQ -0.0412 0.0899 0
.0675
## (0.3195) (0.1371) (0
.1457)
##
## End -3.2860*** -1.3447 -1
.6725
## (0.5802) (1.3559) (1
.1633)
##
## Imob 1.1406 -0.0181 0
.1460
## (0.7060) (1.0051) (0
.9190)
##
## Lnativo 0.0074 -0.3748 -0
.1734
## (0.0856) (0.3742) (0
.1824)
##
## PIB -2.4452 1.2564 -0
.5756
## (8.3793) (7.5810) (7
.1027)
##
## IPCA -0.1665*** -0.1199*** -0.
1383***
## (0.0516) (0.0337) (0
.0410)
##
## LFT -5.8324 -9.0139 -9
.4153
## (11.2650) (12.0120) (11
.5186)
##
## Covid 0.0395 0.0952 0
.0246
## (0.1157) (0.1322) (0
.1333)
##
## Inov 0.1252 0.1150 0
.1697
438
## (0.3414) (0.2741) (0
.3030)
##
## Constant 2.0117 5
.7084
## (1.8044) (4
.0276)
##
## -------------------------------------------------------------------
-------
## Observations 475 475
475
## R2 0.3920 0.1044 0
.1138
## Adjusted R2 0.3789 0.0330 0
.0947
## F Statistic 29.9172*** (df = 10; 464) 5.1174*** (df = 10; 439) 57.
1560***
## ===================================================================
=======
## Note: *p<0.1; **p<0.05; **
*p<0.01
###################################Energia#########
i=3
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Energia"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp3<-regp
regef3<-(regfe)
regrf3<-(regre)
regp4<-regp
regef4<-(regfe)
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp5<-regp
regef5<-(regfe)
regrf5<-(regre)
## Dependent variable:
## ------------------------------------------------------
---------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
---------
## EfOp -0.5124*** -0.1694
-0.2061
## (0.1814) (0.1378) (
0.1454)
##
## LIQ 0.2044*** -0.1148
-0.1015
## (0.0529) (0.1485) (
0.1169)
##
## End -0.1150 0.9362
0.5711
## (0.5517) (1.6059) (
1.3219)
##
## Imob 0.0305 0.4131
0.2894
## (0.3471) (1.1724) (
0.7455)
##
## Lnativo -0.1905* -0.6593*
-0.2816
## (0.1091) (0.3422) (
0.1771)
##
## PIB 25.1951 25.9085*
22.7262
## (18.3926) (14.4934) (
14.6936)
##
## IPCA -0.1613*** -0.1015*** -0
.1357***
## (0.0424) (0.0314) (
0.0332)
446
##
## LFT -34.0582*** -35.6096*** -3
8.2932***
## (12.2099) (11.4156) (
11.9705)
##
## Covid 0.1695 0.4361**
0.2799*
## (0.1396) (0.2051) (
0.1611)
##
## Inov 1.1680 -0.2393
0.1702
## (0.8217) (0.1729) (
0.2829)
##
## Constant 5.4021**
7.2059*
## (2.3870) (
3.7239)
##
## -------------------------------------------------------------------
---------
## Observations 762 762
762
## R2 0.1817 0.1701
0.1375
## Adjusted R2 0.1709 0.1067
0.1260
## F Statistic 16.6809*** (df = 10; 751) 14.4930*** (df = 10; 707) 10
5.8757***
## ===================================================================
=========
## Note: *p<0.1; **p<0.05;
***p<0.01
###################################Materiais Basicos#########
i=6
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Materiais Basicos"
painel$vard<-painel$BtM
names (painel)
447
regp6<-regp
regef6<-(regfe)
regrf6<-(regre)
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
---------
## EfOp -0.5477*** -0.2002*** -0
.2137***
## (0.1104) (0.0756) (
0.0739)
##
## LIQ 0.1838*** 0.1072** 0
.1010**
## (0.0395) (0.0541) (
0.0446)
##
## End -0.4245*** -0.3444
-0.2838
## (0.1527) (0.2633) (
0.2181)
##
## Imob -0.0990 0.3700
0.0267
## (0.2294) (0.4801) (
0.3241)
##
## Lnativo -0.0115 0.1303
0.0183
## (0.0255) (0.1246) (
0.0316)
##
## PIB 17.4250*** 16.6443*** 17
.5811***
## (5.5927) (4.6161) (
5.1081)
##
## IPCA 0.0079 -0.0011
0.0026
## (0.0147) (0.0147) (
0.0131)
##
## LFT -19.1700*** -23.0208*** -2
2.1065***
449
## (4.0301) (3.4347) (
3.4811)
##
## Covid 0.1025* 0.1065** 0
.1236***
## (0.0565) (0.0536) (
0.0476)
##
## Inov 0.0381 -0.2137** -
0.1907**
## (0.1199) (0.0959) (
0.0837)
##
## Constant 1.3363***
0.4503
## (0.5023) (
0.6716)
##
## -------------------------------------------------------------------
---------
## Observations 550 550
550
## R2 0.4376 0.4269
0.4268
## Adjusted R2 0.4271 0.3890
0.4162
## F Statistic 41.9343*** (df = 10; 539) 38.3550*** (df = 10; 515) 37
8.5107***
## ===================================================================
=========
## Note: *p<0.1; **p<0.05;
***p<0.01
###################################Saude#########
i=7
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Saude"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
450
regp7<-regp
regef7<-(regfe)
regrf7<-(regre)
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
--------
## EfOp -0.0010 -0.0074*** -0.
0058***
## (0.0031) (0.0023) (0
.0022)
##
## LIQ 0.3236** -0.1163 -
0.0692
## (0.1596) (0.1779) (0
.1793)
##
## End -3.4126** 1.1399 0
.1836
## (1.5754) (1.0836) (1
.2304)
##
## Imob 2.6350 1.9005 0
.8859
## (2.5605) (3.6987) (3
.3123)
##
## Lnativo 0.2216 -1.6088*** -0
.4559**
## (0.1932) (0.2484) (0
.2215)
##
## PIB 15.2106 18.8722** 1
6.3907
## (18.4408) (7.8226) (1
1.2245)
##
## IPCA -0.3230*** -0.3028*** -0.
3749***
## (0.1253) (0.0947) (0
.0975)
##
## LFT -88.2801*** -34.5197** -57
.1911***
452
## (34.1782) (15.1611) (2
0.3609)
##
## Covid -0.1727 0.0714 -
0.2987
## (0.2179) (0.2363) (0
.1931)
##
## Inov 0.2685 1.1270*** 0.
4960**
## (0.2625) (0.2430) (0
.2332)
##
## Constant -1.9667 12
.4135**
## (4.2446) (5
.0255)
##
## -------------------------------------------------------------------
--------
## Observations 256 256
256
## R2 0.2360 0.4382 0
.2786
## Adjusted R2 0.2048 0.3798 0
.2491
## F Statistic 7.5680*** (df = 10; 245) 18.0165*** (df = 10; 231) 83.
7630***
## ===================================================================
========
## Note: *p<0.1; **p<0.05; *
**p<0.01
###################################Tecnologia#########
i=8
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Tecnologia"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
453
regp8<-regp
regef8<-(regfe)
regrf8<-(regre)
## Pooled FE R
E
## (1) (2) (
3)
## -------------------------------------------------------------------
------
## EfOp -0.9387 -0.9235 -0.
7965
## (1.9253) (1.1518) (1.4
435)
##
## LIQ 0.1274 -0.1637** -0.1
822**
## (0.1450) (0.0758) (0.0
810)
##
## End -9.0663* -3.9733 0.9
887
## (5.0942) (5.5049) (5.4
781)
##
## Imob -10.6951 -6.9195 -19.
0394
## (22.0969) (11.6937) (15.
6226)
##
## Lnativo -0.7941 -4.9826** -2.
6048
## (0.9871) (2.0913) (1.7
320)
##
## PIB -99.8221 48.1948 -28.
0007
## (98.3157) (55.9171) (44.
7925)
##
## IPCA -0.5565 0.1896 -0.
0326
## (0.4093) (0.1351) (0.1
899)
##
## LFT -239.9965 -90.5060 -209.
1442**
455
regp9<-regp
regef9<-(regfe)
regrf9<-(regre)
## Pooled FE
RE
## (1) (2) (
3)
## -------------------------------------------------------------------
------
## EfOp -0.4718 0.2364 0.
2302
## (0.3350) (0.3807) (0.
3725)
##
## LIQ -0.0023 -0.1015*** -0.0
809***
## (0.0457) (0.0042) (0.
0132)
##
## End -1.4528** 1.0830** 0.
5649
## (0.7182) (0.4776) (0.
8343)
##
## Imob 0.8127 -0.1544 -0.
0770
## (1.0083) (0.6054) (0.
8315)
##
## Lnativo -0.3061*** -1.4280*** -0.4
169***
## (0.1022) (0.1546) (0.
1189)
##
## PIB 40.2755** 19.0437*** 28.6
174***
## (16.2410) (6.2367) (11.
0978)
##
## IPCA -0.2813*** -0.0231 -0.1
474**
## (0.0964) (0.0464) (0.
0644)
##
## LFT -50.0424* -54.7604* -63.
7917**
458
regp10<-regp
regef10<-(regfe)
regrf10<-(regre)
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
---------
## EfOp -0.2456*** -0.0541* -
0.0595*
## (0.0758) (0.0324) (
0.0327)
##
## LIQ 0.0118 0.0163** 0
.0167**
## (0.0450) (0.0081) (
0.0078)
##
## End 0.5789 -0.2649
-0.2512
## (0.6090) (0.3437) (
0.3270)
##
## Imob 0.2936 0.2568
0.2855
## (0.4725) (0.4289) (
0.3702)
##
## Lnativo -0.3206*** -0.3966*** -0
.3636***
## (0.1243) (0.1390) (
0.1048)
##
## PIB 3.7521 4.5275
4.2414
## (3.7806) (3.9890) (
3.8414)
##
## IPCA -0.0283 -0.0186
-0.0207
## (0.0240) (0.0258) (
0.0258)
##
## LFT -16.7675*** -15.8059*** -1
5.6642***
461
## (4.1793) (3.7635) (
3.6387)
##
## Covid 0.1702** 0.2155** 0
.2067**
## (0.0688) (0.0854) (
0.0809)
##
## Inov 0.0059 -0.1829** -
0.1740**
## (0.0913) (0.0725) (
0.0703)
##
## Constant 8.2095*** 9
.3114***
## (2.9532) (
2.4265)
##
## -------------------------------------------------------------------
---------
## Observations 829 829
829
## R2 0.2481 0.1516
0.1616
## Adjusted R2 0.2389 0.1005
0.1514
## F Statistic 26.9868*** (df = 10; 818) 13.9521*** (df = 10; 781) 15
3.3490***
## ===================================================================
=========
## Note: *p<0.1; **p<0.05;
***p<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))),
sqrt(diag(vcovHC(regp5, type = "HC1"))),
sqrt(diag(vcovHC(regp6, type = "HC1"))),
sqrt(diag(vcovHC(regp7, type = "HC1"))),
sqrt(diag(vcovHC(regp8, type = "HC1"))),
462
## (0.6146) (0.5802)
(1.0563) (0.4815) (0.5517)
##
## Imob 0.8208 1.1406
0.5228 -0.5675 0.0305
## (0.6380) (0.7060)
(0.3838) (0.7953) (0.3471)
##
## Lnativo 0.0808 0.0074
-0.0256 -0.0172 -0.1905*
## (0.1194) (0.0856)
(0.1295) (0.0831) (0.1091)
##
## PIB 5.2189 -2.4452
19.5278* -6.4780 25.1951
## (11.3133) (8.3793)
(10.5773) (4.9701) (18.3926)
##
## IPCA -0.2314*** -0.1665***
0.0076 -0.1524*** -0.1613***
## (0.0441) (0.0516)
(0.0668) (0.0442) (0.0424)
##
## LFT -59.1735*** -5.8324
-24.0524 -27.9032*** -34.0582***
## (13.2371) (11.2650)
(17.9716) (6.5177) (12.2099)
##
## Covid 0.0550 0.0395
0.0295 -0.0202 0.1695
## (0.1140) (0.1157)
(0.1008) (0.0790) (0.1396)
##
## Inov 0.0206 0.1252
-0.7310 1.1680
## (0.2942) (0.3414)
(0.5064) (0.8217)
##
## Constant 0.2891 2.0117
1.2422 1.5734 5.4021**
## (2.5178) (1.8044)
(3.0024) (1.9188) (2.3870)
##
464
## -------------------------------------------------------------------
----------------------------------------------------------------------
----
## Observations 1,155 475
199 510 762
## R2 0.1021 0.3920
0.3261 0.1808 0.1817
## Adjusted R2 0.0942 0.3789
0.2902 0.1660 0.1709
## F Statistic 13.0049*** (df = 10; 1144) 29.9172*** (df = 10; 464) 9
.0968*** (df = 10; 188) 12.2608*** (df = 9; 500) 16.6809*** (df = 10;
751)
## ===================================================================
======================================================================
====
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regp6,regp7,regp8,regp9, regp10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## BTM Pooled
## ===================================================================
======================================================================
=
## D
ependent variable:
## ------------------------------------------------------
----------------------------------------------------------------------
-
##
vard
## Materiais Basicos Saude
Tecnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
----------------------------------------------------------------------
-
## EfOp -0.5477*** -0.0010
-0.9387*** -0.4718*** -0.2456
465
## (0.0311) (0.2147)
(0.1728) (0.0136) (0.1814)
##
## LIQ 0.1838*** 0.3236
0.1274** -0.0023 0.0118
## (0.0226) (0.3195)
(0.0510) (0.0429) (0.0529)
##
## End -0.4245 -3.4126***
-9.0663*** -1.4528*** 0.5789
## (0.6146) (0.5802)
(1.0563) (0.4815) (0.5517)
##
## Imob -0.0990 2.6350***
-10.6951*** 0.8127 0.2936
## (0.6380) (0.7060)
(0.3838) (0.7953) (0.3471)
##
## Lnativo -0.0115 0.2216***
-0.7941*** -0.3061*** -0.3206***
## (0.1194) (0.0856)
(0.1295) (0.0831) (0.1091)
##
## PIB 17.4250 15.2106*
-99.8221*** 40.2755*** 3.7521
## (11.3133) (8.3793)
(10.5773) (4.9701) (18.3926)
##
## IPCA 0.0079 -0.3230***
-0.5565*** -0.2813*** -0.0283
## (0.0441) (0.0516)
(0.0668) (0.0442) (0.0424)
##
## LFT -19.1700 -88.2801***
-239.9965*** -50.0424*** -16.7675
## (13.2371) (11.2650)
(17.9716) (6.5177) (12.2099)
##
## Covid 0.1025 -0.1727
0.1907* -0.3260*** 0.1702
## (0.1140) (0.1157)
(0.1008) (0.0790) (0.1396)
##
466
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[1:5])
##
## BTM Efeitos Fixos
## ===================================================================
======================================================================
==
## D
ependent variable:
## ------------------------------------------------------
----------------------------------------------------------------------
--
##
vard
## Consumo Descricionario Consumo Padrao
Energia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
----------------------------------------------------------------------
--
## EfOp -0.0275 -0.1867
-0.1752* -0.0016 -0.1694
## (0.0303) (0.1404)
(0.0972) (0.0036) (0.1378)
##
## LIQ -0.2595 0.0899
0.0206 0.0077 -0.1148
## (0.2061) (0.1371)
(0.0218) (0.0244) (0.1485)
##
## End -1.2253* -1.3447
0.7142 0.2258 0.9362
## (0.7015) (1.3559)
(0.6852) (0.4208) (1.6059)
##
## Imob 0.0826 -0.0181
-0.1059 15.4875 0.4131
## (1.1494) (1.0051)
(0.7308) (11.5417) (1.1724)
##
468
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regef6,regef7,regef8,regef9, regef10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## BTM Efeitos Fixos
## ===================================================================
======================================================================
===
##
Dependent variable:
## ------------------------------------------------------
----------------------------------------------------------------------
---
##
vard
## Materiais Basicos Saude
Tecnologia Telecomunicacoes Utilidades
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
----------------------------------------------------------------------
---
## EfOp -0.2002*** -0.0074
-0.9235*** 0.2364*** -0.0541
## (0.0303) (0.1404)
(0.0972) (0.0036) (0.1378)
##
## LIQ 0.1072 -0.1163
-0.1637*** -0.1015*** 0.0163
## (0.2061) (0.1371)
(0.0218) (0.0244) (0.1485)
##
## End -0.3444 1.1399
-3.9733*** 1.0830** -0.2649
## (0.7015) (1.3559)
(0.6852) (0.4208) (1.6059)
##
## Imob 0.3700 1.9005*
-6.9195*** -0.1544 0.2568
470
## (1.1494) (1.0051)
(0.7308) (11.5417) (1.1724)
##
## Lnativo 0.1303 -1.6088***
-4.9826*** -1.4280*** -0.3966
## (0.2643) (0.3742)
(0.3653) (0.2131) (0.3422)
##
## PIB 16.6443** 18.8722**
48.1948*** 19.0437*** 4.5275
## (7.8174) (7.5810)
(7.5494) (4.0655) (14.4934)
##
## IPCA -0.0011 -0.3028***
0.1896*** -0.0231 -0.0186
## (0.0388) (0.0337)
(0.0491) (0.0401) (0.0314)
##
## LFT -23.0208 -34.5197***
-90.5060*** -54.7604*** -15.8059
## (16.1515) (12.0120)
(20.3347) (6.7869) (11.4156)
##
## Covid 0.1065 0.0714
2.8138*** -0.1272** 0.2155
## (0.1115) (0.1322)
(0.0789) (0.0605) (0.2051)
##
## Inov -0.2137 1.1270***
-0.8759 -0.2845 -0.1829
## (0.1972) (0.2741)
(0.1729)
##
## -------------------------------------------------------------------
----------------------------------------------------------------------
---
## Observations 550 256
99 109 829
## R2 0.4269 0.4382
0.6159 0.6135 0.1516
## Adjusted R2 0.3890 0.3798
0.5409 0.5362 0.1005
## F Statistic 38.3550*** (df = 10; 515) 18.0165*** (df = 10; 231) 13
.1479*** (df = 10; 82) 14.2870*** (df = 10; 90) 13.9521*** (df = 10; 7
81)
471
## ===================================================================
======================================================================
===
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios
##
## Inov -0.1608 0.1697 -0.6995 0.1
702
## (0.1928) (0.3030) (0.6589) (0.2
829)
##
## Constant 9.2087* 5.7084 2.2795 7.2
059*
## (5.4634) (4.0276) (4.6079) (3.7
239)
##
## -------------------------------------------------------------------
------
## Observations 1,155 475 199 7
62
## R2 0.1621 0.1138 0.1750 0.1
375
## Adjusted R2 0.1548 0.0947 0.1311 0.1
260
## F Statistic 210.6461*** 57.1560*** 29.7085*** 105.8
757***
## ===================================================================
======
## Note: *p<0.1; **p<0.05; ***
p<0.01
stargazer(regrf6,regrf7,regrf8,regrf9, regrf10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## BTM Efeitos Aleatorios
## ===================================================================
=================
## Dependent variable:
## ------------------------------------------------------
-----------------
## vard
## Materiais Basicos Saude Tecnologia Telecomunic
acoes Utilidades
## (1) (2) (3) (4)
(5)
474
## -------------------------------------------------------------------
-----------------
## EfOp -0.2137*** -0.0058 -0.7965*** 0.2302
-0.0595
## (0.0274) (0.1277) (0.1004) (0.1454
) (0.0739)
##
## LIQ 0.1010 -0.0692 -0.1822*** -0.0809
0.0167
## (0.1064) (0.1457) (0.0271) (0.1169
) (0.0446)
##
## End -0.2838 0.1836 0.9887 0.5649
-0.2512
## (0.6212) (1.1633) (0.6826) (1.3219
) (0.2181)
##
## Imob 0.0267 0.8859 -19.0394*** -0.0770
0.2855
## (0.8610) (0.9190) (0.3610) (0.7455
) (0.3241)
##
## Lnativo 0.0183 -0.4559** -2.6048*** -0.4169*
* -0.3636***
## (0.2425) (0.1824) (0.2052) (0.1771
) (0.0316)
##
## PIB 17.5811* 16.3907** -28.0007*** 28.6174
* 4.2414
## (9.3064) (7.1027) (8.8885) (14.6936
) (5.1081)
##
## IPCA 0.0026 -0.3749*** -0.0326 -0.1474*
** -0.0207
## (0.0382) (0.0410) (0.0524) (0.0332
) (0.0131)
##
## LFT -22.1065 -57.1911*** -209.1442*** -63.7917*
** -15.6642***
## (14.4324) (11.5186) (18.5414) (11.9705
) (3.4811)
##
## Covid 0.1236 -0.2987** 1.3031*** -0.3195*
* 0.2067***
475
Regressão PL – Setor
library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
477
names(painel)
summary(painel)
painel$Setor<-as.factor(painel$Setor)
Painel<-painel
nivel<-levels(painel$Setor)
###################################Consumo Descriionario#########
i=1
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Consumo Descricionario"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
478
regp1<-regp
regef1<-(regfe)
regrf1<-(regre)
## Pooled FE
RE
## (1) (2) (
3)
## -------------------------------------------------------------------
--------
## EfOp -5.1999 -5.3142 -5.
4908
## (3.6331) (3.5561) (3.
4217)
##
## LIQ 3.1812* 10.6573* 3.6
808**
## (1.7015) (6.1027) (1.
4854)
##
## End -101.4943 -2.9887 -63
.8688
## (98.5079) (151.3955) (104
.2932)
##
## Imob 126.8865* 207.7594 140.
9528**
## (65.4420) (222.2706) (70.
0218)
##
## Lnativo 28.2555** 11.6745 26.3
741**
## (11.4520) (33.6109) (11.
5266)
##
## PIB 2,543.5960 3,114.8280 2,63
8.3270
## (3,561.2240) (3,772.5620) (3,57
6.6870)
##
## IPCA -0.9993 -0.9186 -1.
4945
## (21.5348) (21.9153) (21.
4199)
##
## LFT -4,372.8860*** -3,735.3590*** -4,183
.4470***
480
regp2<-regp
regef2<-(regfe)
regrf2<-(regre)
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
----
## EfOp -49.0859 -34.9748 -49.70
68
## (63.1416) (50.3022) (63.333
4)
##
## LIQ -75.4515** -79.5260* -74.995
0**
## (36.3762) (46.2730) (36.262
1)
##
## End -310.0838*** -359.1105 -310.327
5***
## (110.4204) (322.7845) (110.55
98)
##
## Imob 113.2209 -501.2392 111.23
33
## (148.3356) (324.6795) (148.79
08)
##
## Lnativo 23.5692** 84.9553 23.5633
**
## (11.7888) (92.2574) (11.799
8)
##
## PIB -4,169.6840* -4,676.9660* -4,174.9
610*
## (2,403.8880) (2,507.5020) (2,403.1
160)
##
## IPCA -11.0637 -17.4554 -11.06
08
## (25.7465) (31.7622) (25.742
7)
##
## LFT 9,840.1450* 8,244.3700* 9,827.19
80*
## (5,288.7430) (4,436.6590) (5,285.5
880)
483
##
## Covid 51.2750 27.0114 51.137
2
## (36.4772) (59.6595) (36.454
7)
##
## Inov 18.3038 -6.2405 18.277
6
## (52.5027) (32.9218) (52.350
4)
##
## Constant -387.9663 -386.58
63
## (291.2163) (291.60
10)
##
## -------------------------------------------------------------------
----
## Observations 475 475 475
## R2 0.0463 0.0239 0.045
6
## Adjusted R2 0.0257 -0.0539 0.025
1
## F Statistic 2.2522** (df = 10; 464) 1.0742 (df = 10; 439) 22.1862
**
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################Energia#########
i=3
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Energia"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
484
regp3<-regp
regef3<-(regfe)
regrf3<-(regre)
## -------------------------------------------------------------------
-----
## EfOp -19.9155 -5.7254 -6.92
66
## (25.2409) (16.1857) (19.62
22)
##
## LIQ 12.4837 17.5174** 16.725
5**
## (7.9530) (8.3658) (6.60
50)
##
## End 300.8955 -327.9663 36.30
27
## (273.3026) (205.5394) (241.8
600)
##
## Imob 26.7994 -193.5338 21.95
48
## (63.5757) (135.2506) (67.08
94)
##
## Lnativo -6.5917 168.8909*** 20.99
29
## (23.9569) (45.0942) (29.04
19)
##
## PIB -441.8291 -4,491.1050 -2,090.
1210
## (3,011.2150) (3,154.7960) (2,960.
6010)
##
## IPCA 39.3513 15.1356 31.59
20
## (47.9533) (38.2948) (43.91
07)
##
## LFT 7,839.0120* 2,058.5170 5,942.9
520*
## (4,179.4040) (1,759.5430) (3,240.
7670)
##
## Covid 35.4577 -22.4142 22.75
53
486
regp4<-regp
regef4<-(regfe)
## (8.3583) (21.1480)
##
## End 244.6211 521.5513
## (272.4229) (528.7736)
##
## Imob -350.2657 -241.1743
## (217.1141) (2,326.2670)
##
## Lnativo 2.2947 53.1425
## (11.6703) (68.0242)
##
## PIB -660.3624 -910.4194
## (1,655.2010) (2,275.2670)
##
## IPCA -47.2108* -42.8358*
## (27.6950) (25.3236)
##
## LFT 3,341.2850 608.4598
## (4,523.9360) (2,288.7640)
##
## Covid 10.2957 12.1592
## (13.7922) (14.4388)
##
## Constant -46.6774
## (205.2077)
##
## ------------------------------------------------------
## Observations 510 510
## R2 0.0098 0.0063
## Adjusted R2 -0.0080 -0.0671
## F Statistic 0.5486 (df = 9; 500) 0.3349 (df = 9; 474)
## ======================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Industrial#########
i=5
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
489
print(nivel[i] )
## [1] "Industrial"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp5<-regp
regef5<-(regfe)
regrf5<-(regre)
## ===================================================================
========
## Dependent variable:
## ------------------------------------------------------
--------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
--------
## EfOp -64.1385** -56.8539** -61
.2944**
## (28.8888) (22.7173) (27
.1533)
##
## LIQ 34.4016* 33.2536 36
.7288*
## (20.0258) (24.5999) (19
.8407)
##
## End -3.8853 -40.0621 -3
3.4823
## (85.0778) (129.4290) (87
.5857)
##
## Imob -49.9857 -517.3550 -8
9.8995
## (49.9991) (519.7119) (99
.5394)
##
## Lnativo -0.6041 11.4489 6
.3381
## (10.0454) (48.5657) (9
.3739)
##
## PIB 3,186.2010 2,436.5960 3,1
17.7890
## (3,124.6040) (3,040.9000) (3,1
16.9850)
##
## IPCA -11.5283 -18.7844 -1
2.4342
491
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp6<-regp
regef6<-(regfe)
regrf6<-(regre)
## Dependent variable:
## ------------------------------------------------------
--
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
--
## EfOp -67.8977*** -64.2531** -67.9350**
*
## (26.1837) (25.8655) (25.5524)
##
## LIQ -1.9906 -9.5752 -3.6886
## (6.3085) (10.9997) (6.3754)
##
## End 20.7942 -22.0829 18.6790
## (26.6409) (44.6825) (26.1103)
##
## Imob 16.0007 108.5589 20.1841
## (36.1066) (99.8089) (36.4513)
##
## Lnativo -3.2872 15.7260 -2.6473
## (3.3041) (21.1263) (3.3744)
##
## PIB -2,024.2430 -2,121.3200 -2,019.699
0
## (1,404.7520) (1,430.4930) (1,397.709
0)
##
## IPCA 9.8001 8.9446 9.7185
## (11.7067) (11.8432) (11.7249)
##
## LFT -280.1435 -487.5297 -295.8096
## (834.2368) (831.5996) (834.1217
)
##
## Covid -13.9874 -12.0765 -13.5643
## (10.8952) (11.2258) (10.8489)
##
494
regp7<-regp
regef7<-(regfe)
regrf7<-(regre)
##
## Imob -180.5970 -430.9388 -180.597
0
## (202.3367) (360.8793) (202.3367
)
##
## Lnativo 24.8815* -39.6823 24.8815*
## (13.7430) (60.5472) (13.7430
)
##
## PIB -2,656.7250 -3,677.2560 -2,656.72
50
## (10,100.1700) (10,536.7900) (10,100.17
00)
##
## IPCA -7.5727 -0.5327 -7.5727
## (27.5231) (32.3818) (27.5231
)
##
## LFT 187.8945 -1,332.2620 187.8945
## (4,275.1430) (1,319.2590) (4,275.143
0)
##
## Covid -4.2986 27.0023 -4.2986
## (52.5801) (67.5742) (52.5801
)
##
## Inov -52.3306 -267.2081*** -52.3306
## (48.4084) (58.0178) (48.4084
)
##
## Constant -402.4858 -402.485
8
## (265.7849) (265.7849
)
##
## -------------------------------------------------------------------
---
## Observations 256 256 256
## R2 0.0245 0.0250 0.0245
## Adjusted R2 -0.0153 -0.0763 -0.0153
497
## F Statistic 0.6147 (df = 10; 245) 0.5927 (df = 10; 231) 6.1469
## ===================================================================
===
## Note: *p<0.1; **p<0.05; ***p<0
.01
###################################Tecnologia#########
i=8
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Tecnologia"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp8<-regp
regef8<-(regfe)
regrf8<-(regre)
##
## LFT -21,711.3700* -14,178.3200* -21,711.3700
*
## (12,603.4300) (7,612.5920) (12,603.4300
)
##
## Covid -69.0437 60.3353 -69.0437
## (73.1687) (102.6799) (73.1687)
##
## Inov -22.0843 -103.4699** -22.0843
## (71.8352) (44.4035) (71.8352)
##
## Constant 412.8139 412.8139
## (1,187.2000) (1,187.2000)
##
## -------------------------------------------------------------------
-
## Observations 99 99 99
## R2 0.0356 0.0447 0.0356
## Adjusted R2 -0.0740 -0.1416 -0.0740
## F Statistic 0.3251 (df = 10; 88) 0.3841 (df = 10; 82) 3.2510
## ===================================================================
=
## Note: *p<0.1; **p<0.05; ***p<0.0
1
###################################Telecomunicacoes#########
i=9
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Telecomunicacoes"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
500
regp9<-regp
regef9<-(regfe)
regrf9<-(regre)
###################################Utilidades#########
i=10
filtro<-Painel$Setor==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Utilidades"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "LL" "ValM" "BtM" "P
rLc"
## [8] "EfOp" "LIQ" "End" "Imob" "Lnativo" "Setor" "P
IB"
## [15] "IPCA" "LFT" "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp10<-regp
regef10<-(regfe)
regrf10<-(regre)
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## PRLC Utilidades
## ===================================================================
=======
## Dependent variable:
## ------------------------------------------------------
-------
## vard
## Pooled FE R
E
## (1) (2) (
3)
## -------------------------------------------------------------------
-------
## EfOp -2.1695 27.3447 4.8
866
## (33.0605) (45.9387) (30.
2741)
##
## LIQ 20.6636 28.7925 23.
8786
## (22.8141) (32.0699) (27.
9113)
##
## End 162.4359 -1,397.7870 -463
.9562
## (258.1263) (1,336.3200) (896.
1388)
##
## Imob -32.8147 -345.5400 -80.
8889
## (109.5270) (471.7910) (157.
7505)
##
## Lnativo -45.7164 -63.6424 -62.
8753
## (32.3160) (63.4869) (58.
6648)
##
## PIB -9,151.1360 -10,036.0300 -9,31
3.4310
504
##
## Constant -531.0096** -387.9663
9.0498 -46.6774 113.3484
## (227.4652) (291.2163)
(466.1402) (205.2077) (204.5849)
##
## -------------------------------------------------------------------
---------------------------------------------------------------
## Observations 1,155 475
199 510 762
## R2 0.0189 0.0463
0.0812 0.0098 0.0468
## Adjusted R2 0.0103 0.0257
0.0323 -0.0080 0.0341
## F Statistic 2.2028** (df = 10; 1144) 2.2522** (df = 10; 464) 1.660
8* (df = 10; 188) 0.5486 (df = 9; 500) 3.6852*** (df = 10; 751)
## ===================================================================
===============================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regp6,regp7,regp8,regp9, regp10,
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## PRLC Pooled
## ===================================================================
======================================================
## Dependent
variable:
## ------------------------------------------------------
------------------------------------------------------
## va
rd
## Materiais Basicos Saude Tecno
logia Telecomunicacoes Utilidades
## (1) (2) (3
) (4) (5)
## -------------------------------------------------------------------
------------------------------------------------------
508
##
## Inov 14.4693 -52.3306 -22.
0843 17.6270 56.9172
## (38.9133) (52.5027) (88.7
163) (54.4847)
##
## Constant 159.9461 -402.4858 412.
8139 302.1513 1,186.4170***
## (227.4652) (291.2163) (466.
1402) (205.2077) (204.5849)
##
## -------------------------------------------------------------------
------------------------------------------------------
## Observations 550 256 9
9 109 829
## R2 0.0235 0.0245 0.0
356 0.1275 0.0207
## Adjusted R2 0.0054 -0.0153 -0.0
740 0.0385 0.0087
## F Statistic 1.2962 (df = 10; 539) 0.6147 (df = 10; 245) 0.3251 (df
= 10; 88) 1.4321 (df = 10; 98) 1.7300* (df = 10; 818)
## ===================================================================
======================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))),
sqrt(diag(vcovHC(regef5, type = "HC1"))),
sqrt(diag(vcovHC(regef6, type = "HC1"))),
sqrt(diag(vcovHC(regef7, type = "HC1"))),
sqrt(diag(vcovHC(regef8, type = "HC1"))),
sqrt(diag(vcovHC(regef9, type = "HC1"))),
sqrt(diag(vcovHC(regef10, type = "HC1"))))
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[1:5])
##
## PRLC Efeitos Fixos
## ===================================================================
============================================================
## Depende
nt variable:
## ------------------------------------------------------
------------------------------------------------------------
##
vard
## Consumo Descricionario Consumo Padrao E
nergia Imobiliario Industrial
## (1) (2)
(3) (4) (5)
## -------------------------------------------------------------------
------------------------------------------------------------
## EfOp -5.3142 -34.9748 -
5.7254 -2.3944 -56.8539**
## (3.5561) (50.3022) (1
6.1857) (1.6338) (22.7173)
##
## LIQ 10.6573* -79.5260* 17
.5174** -15.4476 33.2536
## (6.1027) (46.2730) (8
.3658) (21.1480) (24.5999)
##
## End -2.9887 -359.1105 -3
27.9663 521.5513 -40.0621
## (151.3955) (322.7845) (20
5.5394) (528.7736) (129.4290)
##
## Imob 207.7594 -501.2392 -1
93.5338 -241.1743 -517.3550
## (222.2706) (324.6795) (13
5.2506) (2,326.2670) (519.7119)
##
## Lnativo 11.6745 84.9553 168
.8909*** 53.1425 11.4489
511
## (33.6109) (92.2574) (4
5.0942) (68.0242) (48.5657)
##
## PIB 3,114.8280 -4,676.9660* -4,
491.1050 -910.4194 2,436.5960
## (3,772.5620) (2,507.5020) (3,1
54.7960) (2,275.2670) (3,040.9000)
##
## IPCA -0.9186 -17.4554 1
5.1356 -42.8358* -18.7844
## (21.9153) (31.7622) (3
8.2948) (25.3236) (12.5681)
##
## LFT -3,735.3590*** 8,244.3700* 2,0
58.5170 608.4598 -1,203.7910
## (1,401.5030) (4,436.6590) (1,7
59.5430) (2,288.7640) (1,395.1230)
##
## Covid -27.1597 27.0114 -2
2.4142 12.1592 -31.1282
## (31.5504) (59.6595) (1
8.7182) (14.4388) (42.2244)
##
## Inov -50.2267* -6.2405
-68.6198
## (29.9303) (32.9218)
(66.6630)
##
## -------------------------------------------------------------------
------------------------------------------------------------
## Observations 1,155 475
199 510 762
## R2 0.0064 0.0239 0
.1176 0.0063 0.0565
## Adjusted R2 -0.0577 -0.0539 0
.0239 -0.0671 -0.0156
## F Statistic 0.7009 (df = 10; 1084) 1.0742 (df = 10; 439) 2.6495***
(df = 9; 179) 0.3349 (df = 9; 474) 4.2299*** (df = 10; 707)
## ===================================================================
============================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
stargazer(regef6,regef7,regef8,regef9, regef10,
digits = 4,
512
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[6:10])
##
## PRLC Efeitos Fixos
## ===================================================================
========================================================
## Dependent
variable:
## ------------------------------------------------------
--------------------------------------------------------
## v
ard
## Materiais Basicos Saude Tecno
logia Telecomunicacoes Utilidades
## (1) (2) (3
) (4) (5)
## -------------------------------------------------------------------
--------------------------------------------------------
## EfOp -64.2531*** 0.3034 -179.1
309*** -23.3145*** 27.3447
## (3.5561) (50.3022) (16.1
857) (1.6338) (22.7173)
##
## LIQ -9.5752 -10.8099 11.3
450 20.3107 28.7925
## (6.1027) (46.2730) (8.3
658) (21.1480) (24.5999)
##
## End -22.0829 -33.3756 82.5
502 11.2711 -1,397.7870***
## (151.3955) (322.7845) (205.
5394) (528.7736) (129.4290)
##
## Imob 108.5589 -430.9388 -707.2
360*** -95.7934 -345.5400
## (222.2706) (324.6795) (135.
2506) (2,326.2670) (519.7119)
##
## Lnativo 15.7260 -39.6823 -211.6
548*** 40.5038 -63.6424
513
##
## LIQ -3.6886** 21.4168 1.9857 18.
5999 23.8786***
## (1.4854) (36.2621) (6.6050) (19.
8407) (6.3754)
##
## End 18.6790 -13.3257 -111.3265 1.
3248 -463.9562***
## (104.2932) (110.5598) (241.8600) (87.
5857) (26.1103)
##
## Imob 20.1841 -180.5970 -272.1799*** 173.
3773* -80.8889**
## (70.0218) (148.7908) (67.0894) (99.
5394) (36.4513)
##
## Lnativo -2.6473 24.8815** 5.7559 1.
8622 -62.8753***
## (11.5266) (11.7998) (29.0419) (9.
3739) (3.3744)
##
## PIB -2,019.6990 -2,656.7250 -4,546.8110 -3,24
1.7240 -9,313.4310***
## (3,576.6870) (2,403.1160) (2,960.6010) (3,11
6.9850) (1,397.7090)
##
## IPCA 9.7185 -7.5727 57.6852 -14
.6774 -34.4359***
## (21.4199) (25.7427) (43.9107) (10.
9176) (11.7249)
##
## LFT -295.8096 187.8945 -21,711.3700*** 874
.7103 -6,996.3020***
## (1,443.6330) (5,285.5880) (3,240.7670) (1,67
7.9700) (834.1217)
##
## Covid -13.5643 -4.2986 -69.0437*** 16.
2975 57.8837***
## (33.2598) (36.4547) (19.0579) (23.
0445) (10.8489)
##
## Inov 8.5806 -52.3306 -22.0843 -13
.2054 -62.3707***
518
library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
520
names(painel)
summary(painel)
painel$NGC<-as.factor(painel$NGC)
Painel<-painel
nivel<-levels(painel$NGC)
###################################Basico#########
i=1
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Basico"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
521
regp1<-regp
regef1<-(regfe)
regrf1<-(regre)
## -------------------------------------------------------------------
-------
## EfOp -0.0014 -0.0011 -0
.0013
## (0.0010) (0.0012) (0
.0012)
##
## LIQ -0.0002 -0.0001 -0
.0002
## (0.0005) (0.0025) (0
.0008)
##
## End -0.0246* -0.0313 -0
.0289*
## (0.0139) (0.0377) (0
.0165)
##
## Imob 0.0017 -0.0923* -0
.0006
## (0.0122) (0.0560) (0
.0131)
##
## Lnativo 0.0028* -0.0052 0
.0030
## (0.0016) (0.0161) (0
.0019)
##
## PIB -1.3882*** -1.4630*** -1.
3898***
## (0.4746) (0.4813) (0
.4698)
##
## IPCA 0.0016 0.0015 0
.0016
## (0.0034) (0.0034) (0
.0033)
##
## LFT -0.4900 -0.2574 -0
.4421
## (0.3575) (0.3589) (0
.3551)
##
## Covid 0.0063* 0.0048 0
.0056
523
## (0.0037) (0.0042) (0
.0037)
##
## Inov 0.0056 0.0158*** 0
.0021
## (0.0095) (0.0042) (0
.0107)
##
## Constant -0.0276 -0
.0291
## (0.0339) (0
.0386)
##
## -------------------------------------------------------------------
-------
## Observations 1,049 1,049 1
,049
## R2 0.0406 0.0286 0
.0262
## Adjusted R2 0.0314 -0.0314 0
.0168
## F Statistic 4.3938*** (df = 10; 1038) 2.9072*** (df = 10; 987) 28.
5601***
## ===================================================================
=======
## Note: *p<0.1; **p<0.05; **
*p<0.01
###################################BovespaMais1e2#########
i=2
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "BovespaMais1e2"
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
524
regp2<-regp
regef2<-(regfe)
regrf2<-(regre)
painel$vard<-painel$CFROA
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp3<-regp
regef3<-(regfe)
regrf3<-(regre)
## Dependent variable:
## ------------------------------------------------------
-----
## vard
## Pooled FE R
E
## (1) (2) (3
)
## -------------------------------------------------------------------
-----
## EfOp -0.0064** -0.0003 -0.0
047*
## (0.0031) (0.0021) (0.0
025)
##
## LIQ 0.0050* -0.0015 0.0
030
## (0.0029) (0.0040) (0.0
031)
##
## End -0.0325** -0.0545*** -0.03
52**
## (0.0129) (0.0198) (0.0
146)
##
## Imob 0.0175*** -0.0183 0.0
124
## (0.0065) (0.0118) (0.0
077)
##
## Lnativo 0.0007 -0.0037 0.0
012
## (0.0012) (0.0081) (0.0
015)
##
## PIB 0.0500 -0.2449 -0.0
419
## (0.4232) (0.3832) (0.4
009)
##
## IPCA 0.0012 0.0004 0.0
010
## (0.0022) (0.0023) (0.0
022)
528
##
## LFT -0.3310 -0.3809 -0.3
551
## (0.3913) (0.3886) (0.3
934)
##
## Covid 0.0049 0.0058 0.0
050
## (0.0033) (0.0036) (0.0
033)
##
## Inov 0.0061* 0.0006 0.0
037
## (0.0037) (0.0055) (0.0
037)
##
## Constant 0.0051 -0.0
018
## (0.0283) (0.0
338)
##
## -------------------------------------------------------------------
-----
## Observations 642 642 64
2
## R2 0.0716 0.0347 0.0
451
## Adjusted R2 0.0568 -0.0261 0.0
300
## F Statistic 4.8628*** (df = 10; 631) 2.1704** (df = 10; 603) 26.81
93***
## ===================================================================
=====
## Note: *p<0.1; **p<0.05; ***p
<0.01
###################################Novo Mercado #########
i=4
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "NovoMeracdo"
painel$vard<-painel$CFROA
names (painel)
529
regp4<-regp
regef4<-(regfe)
regrf4<-(regre)
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
--------
## EfOp -0.0022** -0.0004 -
0.0007
## (0.0009) (0.0004) (
0.0005)
##
## LIQ 0.0002 0.0011 -
0.00004
## (0.0010) (0.0010) (
0.0006)
##
## End -0.0218** -0.0203** -0
.0217***
## (0.0094) (0.0095) (
0.0079)
##
## Imob 0.0146 0.0304** 0
.0195**
## (0.0089) (0.0150) (
0.0077)
##
## Lnativo 0.0018* -0.0029
0.0020
## (0.0010) (0.0028) (
0.0013)
##
## PIB -0.4752** -0.2413 -
0.3433*
## (0.2094) (0.1869) (
0.1925)
##
## IPCA -0.0012 -0.0001 -
0.0007
## (0.0014) (0.0014) (
0.0014)
##
## LFT -0.2614* -0.1862 -0
.2593**
531
## (0.1387) (0.1367) (
0.1295)
##
## Covid -0.0039** -0.0011 -
0.0033*
## (0.0018) (0.0021) (
0.0017)
##
## Inov 0.0020 -0.0003
0.0004
## (0.0040) (0.0035) (
0.0029)
##
## Constant -0.0140 -
0.0252
## (0.0219) (
0.0283)
##
## -------------------------------------------------------------------
--------
## Observations 3,175 3,175
3,175
## R2 0.0256 0.0082
0.0081
## Adjusted R2 0.0225 -0.0543
0.0049
## F Statistic 8.3109*** (df = 10; 3164) 2.4593*** (df = 10; 2986) 35
.0788***
## ===================================================================
========
## Note: *p<0.1; **p<0.05; *
**p<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))))
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel)
##
## CFROA Pooled
## ===================================================================
=============================================
## Dependent vari
able:
## ------------------------------------------------------
---------------------------------------------
## vard
## Basico BovespaMais1e2
Nivel1e2 NovoMeracdo
## (1) (2)
(3) (4)
## -------------------------------------------------------------------
---------------------------------------------
## EfOp -0.0014 0.00003
-0.0064** -0.0022**
## (0.0010) (0.00005)
(0.0031) (0.0009)
##
## LIQ -0.0002 -0.0080
0.0050* 0.0002
## (0.0005) (0.0054)
(0.0029) (0.0010)
##
## End -0.0246* -0.2036***
-0.0325** -0.0218**
## (0.0139) (0.0544)
(0.0129) (0.0094)
##
## Imob 0.0017 0.0984
0.0175*** 0.0146
## (0.0122) (0.0687)
(0.0065) (0.0089)
##
## Lnativo 0.0028* 0.0077
0.0007 0.0018*
533
## (0.0016) (0.0073)
(0.0012) (0.0010)
##
## PIB -1.3882*** -0.5603
0.0500 -0.4752**
## (0.4746) (1.1265)
(0.4232) (0.2094)
##
## IPCA 0.0016 -0.0034
0.0012 -0.0012
## (0.0034) (0.0088)
(0.0022) (0.0014)
##
## LFT -0.4900 0.0059
-0.3310 -0.2614*
## (0.3575) (0.6174)
(0.3913) (0.1387)
##
## Covid 0.0063* 0.0128***
0.0049 -0.0039**
## (0.0037) (0.0043)
(0.0033) (0.0018)
##
## Inov 0.0056
0.0061* 0.0020
## (0.0095)
(0.0037) (0.0040)
##
## Constant -0.0276 -0.1322
0.0051 -0.0140
## (0.0339) (0.1296)
(0.0283) (0.0219)
##
## -------------------------------------------------------------------
---------------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.0406 0.5300
0.0716 0.0256
## Adjusted R2 0.0314 0.4678
0.0568 0.0225
## F Statistic 4.3938*** (df = 10; 1038) 8.5202*** (df = 9; 68) 4.862
8*** (df = 10; 631) 8.3109*** (df = 10; 3164)
534
## ===================================================================
=============================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))))
## (0.0025) (0.0014) (0
.0040) (0.0010)
##
## End -0.0313 -0.0555 -0.
0545*** -0.0203**
## (0.0377) (0.0373) (0
.0198) (0.0095)
##
## Imob -0.0923* 0.1346** -
0.0183 0.0304**
## (0.0560) (0.0532) (0
.0118) (0.0150)
##
## Lnativo -0.0052 -0.0051 -
0.0037 -0.0029
## (0.0161) (0.0148) (0
.0081) (0.0028)
##
## PIB -1.4630*** -0.1035 -
0.2449 -0.2413
## (0.4813) (0.7972) (0
.3832) (0.1869)
##
## IPCA 0.0015 -0.0050 0
.0004 -0.0001
## (0.0034) (0.0092) (0
.0023) (0.0014)
##
## LFT -0.2574 -0.0268 -
0.3809 -0.1862
## (0.3589) (0.9170) (0
.3886) (0.1367)
##
## Covid 0.0048 0.0127 0
.0058 -0.0011
## (0.0042) (0.0087) (0
.0036) (0.0021)
##
## Inov 0.0158*** 0
.0006 -0.0003
## (0.0042) (0
.0055) (0.0035)
##
536
## -------------------------------------------------------------------
----------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.0286 0.0694 0
.0347 0.0082
## Adjusted R2 -0.0314 -0.1024 -
0.0261 -0.0543
## F Statistic 2.9072*** (df = 10; 987) 0.5388 (df = 9; 65) 2.1704**
(df = 10; 603) 2.4593*** (df = 10; 2986)
## ===================================================================
========================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios
##
## LIQ -0.0002 0.0030 -0.00004
## (0.0008) (0.0031) (0.0006)
##
## End -0.0289* -0.0352** -0.0217***
## (0.0165) (0.0146) (0.0079)
##
## Imob -0.0006 0.0124 0.0195**
## (0.0131) (0.0077) (0.0077)
##
## Lnativo 0.0030 0.0012 0.0020
## (0.0019) (0.0015) (0.0013)
##
## PIB -1.3898*** -0.0419 -0.3433*
## (0.4698) (0.4009) (0.1925)
##
## IPCA 0.0016 0.0010 -0.0007
## (0.0033) (0.0022) (0.0014)
##
## LFT -0.4421 -0.3551 -0.2593**
## (0.3551) (0.3934) (0.1295)
##
## Covid 0.0056 0.0050 -0.0033*
## (0.0037) (0.0033) (0.0017)
##
## Inov 0.0021 0.0037 0.0004
## (0.0107) (0.0037) (0.0029)
##
## Constant -0.0291 -0.0018 -0.0252
## (0.0386) (0.0338) (0.0283)
##
## ----------------------------------------------
## Observations 1,049 642 3,175
## R2 0.0262 0.0451 0.0081
## Adjusted R2 0.0168 0.0300 0.0049
## F Statistic 28.5601*** 26.8193*** 35.0788***
## ==============================================
538
library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
539
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.xlsx.csv", header = T,sep
= ";",dec = ".",quote = "\""))
names(painel)
540
summary(painel)
painel$NGC<-as.factor(painel$NGC)
Painel<-painel
nivel<-levels(painel$NGC)
###################################Basico#########
i=1
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Basico"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp1<-regp
regef1<-(regfe)
regrf1<-(regre)
##
## Lnativo 0.0284 0.3820 0.06
22
## (0.0415) (0.3726) (0.06
15)
##
## PIB -5.8535*** -7.2666 -5.521
0***
## (1.4331) (5.2540) (1.54
39)
##
## IPCA -0.0289 -0.0323 -0.02
52
## (0.0219) (0.0253) (0.02
07)
##
## LFT -7.9068 -3.9670 -6.36
94
## (5.6402) (5.9626) (5.27
36)
##
## Covid -0.0019 -0.0669 -0.01
55
## (0.0534) (0.0796) (0.04
38)
##
## Inov -0.1531 -0.0001 -0.30
46
## (0.2214) (0.0832) (0.31
43)
##
## Constant -0.3854 -1.04
65
## (0.8525) (1.18
33)
##
## -------------------------------------------------------------------
----
## Observations 1,049 1,049 1,04
9
## R2 0.0139 0.0363 0.01
99
## Adjusted R2 0.0044 -0.0233 0.01
04
543
## F Statistic 1.4579 (df = 10; 1038) 3.7176*** (df = 10; 987) 21.465
2**
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################BovespaMais1e2#########
i=2
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "BovespaMais1e2"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp2<-regp
regef2<-(regfe)
regrf2<-(regre)
digits = 4,
se = estatrobustos,
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE"))
##
## CFROE BovespaMais1e2
## ======================================================
## Dependent variable:
## -----------------------------------------
## vard
## Pooled FE
## (1) (2)
## ------------------------------------------------------
## EfOp -0.0003 -0.0004***
## (0.0002) (0.0001)
##
## LIQ -0.0276 0.0415***
## (0.0265) (0.0081)
##
## End -0.5696*** -0.0912
## (0.1825) (0.1918)
##
## Imob 0.2784 0.2122*
## (0.2153) (0.1202)
##
## Lnativo 0.0135 -0.0039
## (0.0238) (0.0296)
##
## PIB -2.5611 -1.4204
## (4.8517) (3.8862)
##
## IPCA 0.0104 0.0014
## (0.0401) (0.0376)
##
## LFT 1.5675 0.9729
## (2.5499) (3.1057)
545
##
## Covid 0.0265 0.0114
## (0.0269) (0.0347)
##
## Constant -0.2154
## (0.4254)
##
## ------------------------------------------------------
## Observations 78 78
## R2 0.2151 0.0195
## Adjusted R2 0.1112 -0.1615
## F Statistic 2.0701** (df = 9; 68) 0.1438 (df = 9; 65)
## ======================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Nivel1e2#########
i=3
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Nivel1e2"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp3<-regp
546
regef3<-(regfe)
regrf3<-(regre)
## -------------------------------------------------------------------
---
## Observations 642 642 642
## R2 0.0510 0.0267 0.037
4
## Adjusted R2 0.0360 -0.0346 0.022
1
## F Statistic 3.3919*** (df = 10; 631) 1.6543* (df = 10; 603) 22.897
6**
## ===================================================================
===
## Note: *p<0.1; **p<0.05; ***p<0
.01
###################################Novo Mercado #########
i=4
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "NovoMeracdo"
painel$vard<-painel$CFROE
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp4<-regp
regef4<-(regfe)
regrf4<-(regre)
549
##
## Inov -0.1531
0.0173 -0.0043
## (0.2214) (
0.0290) (0.0278)
##
## Constant -0.3854 -0.2154
0.0043 -0.2861
## (0.8525) (0.4254) (
0.1989) (0.2047)
##
## -------------------------------------------------------------------
-----------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.0139 0.2151
0.0510 0.0154
## Adjusted R2 0.0044 0.1112
0.0360 0.0123
## F Statistic 1.4579 (df = 10; 1038) 2.0701** (df = 9; 68) 3.3919***
(df = 10; 631) 4.9577*** (df = 10; 3164)
## ===================================================================
=========================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))))
## ===================================================================
====================================
## Dependent variable:
## ------------------------------------------------------
------------------------------------
## vard
## Basico BovespaMais1e2 Ni
vel1e2 NovoMeracdo
## (1) (2)
(3) (4)
## -------------------------------------------------------------------
------------------------------------
## EfOp -0.0100 -0.0004*** 0
.0087 -0.0056
## (0.0148) (0.0001) (0
.0234) (0.0052)
##
## LIQ 0.0020 0.0415*** -0
.0034 -0.0010
## (0.0063) (0.0081) (0
.0137) (0.0070)
##
## End -1.6658 -0.0912 0
.3326 -0.0281
## (1.9698) (0.1918) (0
.3479) (0.1977)
##
## Imob 0.7248 0.2122* -0
.2881 0.1465
## (0.7604) (0.1202) (0
.2204) (0.1587)
##
## Lnativo 0.3820 -0.0039 0
.0309 0.0145
## (0.3726) (0.0296) (0
.1385) (0.0337)
##
## PIB -7.2666 -1.4204 1
.9025 -3.2602
## (5.2540) (3.8862) (6
.6018) (2.4847)
##
## IPCA -0.0323 0.0014 0
.0131 -0.0240
555
## (0.0253) (0.0376) (0
.0166) (0.0203)
##
## LFT -3.9670 0.9729 -6
.9088* -2.0123
## (5.9626) (3.1057) (3
.6240) (1.9982)
##
## Covid -0.0669 0.0114 -0
.0066 0.0206
## (0.0796) (0.0347) (0
.0455) (0.0263)
##
## Inov -0.0001 0
.0156 0.0232
## (0.0832) (0
.0275) (0.0372)
##
## -------------------------------------------------------------------
------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.0363 0.0195 0
.0267 0.0036
## Adjusted R2 -0.0233 -0.1615 -0
.0346 -0.0592
## F Statistic 3.7176*** (df = 10; 987) 0.1438 (df = 9; 65) 1.6543* (
df = 10; 603) 1.0656 (df = 10; 2986)
## ===================================================================
====================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Aleatorios
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[c(1,3,4)])
##
## CFROE Efeitos Aleatorios
## =============================================
## Dependent variable:
## --------------------------------
## vard
## Basico Nivel1e2 NovoMeracdo
## (1) (2) (3)
## ---------------------------------------------
## EfOp -0.0116 -0.0104 -0.0086
## (0.0146) (0.0246) (0.0056)
##
## LIQ -0.0012 -0.0099 0.0009
## (0.0052) (0.0179) (0.0050)
##
## End -0.6700 0.3437 0.1174
## (0.7809) (0.2119) (0.1338)
##
## Imob 0.2051 -0.0065 -0.0056
## (0.1620) (0.0478) (0.0715)
##
## Lnativo 0.0622 -0.0017 0.0178*
## (0.0615) (0.0122) (0.0107)
##
## PIB -5.5210*** 3.6957 -3.3573
## (1.5439) (6.7638) (2.4048)
##
## IPCA -0.0252 0.0189 -0.0262
## (0.0207) (0.0206) (0.0187)
##
## LFT -6.3694 -6.5916* -1.9512
## (5.2736) (3.3949) (1.9211)
##
557
library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
559
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.xlsx.csv", header = T,sep
= ";",dec = ".",quote = "\""))
names(painel)
summary(painel)
painel$NGC<-as.factor(painel$NGC)
Painel<-painel
560
nivel<-levels(painel$NGC)
###################################Basico#########
i=1
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Basico"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp1<-regp
regef1<-(regfe)
regrf1<-(regre)
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## CFROIC Basico
## ===================================================================
=====
## Dependent variable:
## ------------------------------------------------------
-----
## vard
## Pooled FE R
E
## (1) (2) (3
)
## -------------------------------------------------------------------
-----
## EfOp -1.0617 -4.9306* -2.6
978
## (1.1941) (2.6886) (1.8
288)
##
## LIQ 0.5316 4.3765 0.9
282
## (0.8631) (4.5846) (1.2
371)
##
## End -1.5161 10.5322 0.2
224
## (9.8761) (14.6794) (10.2
131)
##
## Imob -21.2871** -29.9688 -20.8
449**
## (10.0055) (23.3435) (9.7
173)
##
## Lnativo 0.2010 -0.1121 0.4
031
## (0.9842) (8.9678) (1.0
741)
##
562
###################################BovespaMais1e2#########
i=2
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "BovespaMais1e2"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp2<-regp
regef2<-(regfe)
regrf2<-(regre)
##
## CFROIC BovespaMais1e2
## ====================================================
## Dependent variable:
## ---------------------------------------
## vard
## Pooled FE
## (1) (2)
## ----------------------------------------------------
## EfOp 0.0001 0.0001
## (0.0001) (0.0001)
##
## LIQ -0.0195 0.0849**
## (0.0190) (0.0409)
##
## End -0.3993** -0.2543*
## (0.1932) (0.1535)
##
## Imob 0.3366 0.6330***
## (0.2400) (0.1209)
##
## Lnativo -0.0051 0.0422
## (0.0284) (0.0549)
##
## PIB -3.1993 -2.7017
## (4.7708) (3.8849)
##
## IPCA -0.0057 -0.0231
## (0.0483) (0.0505)
##
## LFT -0.8848 -1.1624
## (3.6394) (3.5303)
##
## Covid 0.0566*** 0.0348
## (0.0067) (0.0242)
##
## Constant 0.0752
565
## (0.5190)
##
## ----------------------------------------------------
## Observations 78 78
## R2 0.1174 0.0939
## Adjusted R2 0.0006 -0.0733
## F Statistic 1.0049 (df = 9; 68) 0.7488 (df = 9; 65)
## ====================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Nivel1e2#########
i=3
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Nivel1e2"
painel$vard<-painel$CFROIC
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp3<-regp
regef3<-(regfe)
regrf3<-(regre)
regp4<-regp
regef4<-(regfe)
regrf4<-(regre)
## F Statistic 5.1893*** (df = 10; 3164) 0.9577 (df = 10; 2986) 16.2
148*
## ===================================================================
=====
## Note: *p<0.1; **p<0.05; ***p
<0.01
#####Tabela Resumo #####
#Pooled
estatrobustos <-list(sqrt(diag(vcovHC(regp1, type = "HC1"))),
sqrt(diag(vcovHC(regp2, type = "HC1"))),
sqrt(diag(vcovHC(regp3, type = "HC1"))),
sqrt(diag(vcovHC(regp4, type = "HC1"))))
##
## Constant 11.2098 0.0752 1
.8710 -7.1410**
## (24.4556) (0.5190) (1
.6466) (3.6423)
##
## -------------------------------------------------------------------
-----------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.0170 0.1174 0
.1953 0.0161
## Adjusted R2 0.0075 0.0006 0
.1825 0.0130
## F Statistic 1.7915* (df = 10; 1038) 1.0049 (df = 9; 68) 15.3122***
(df = 10; 631) 5.1893*** (df = 10; 3164)
## ===================================================================
=========================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))))
## vard
## Basico BovespaMais1e2 Niv
el1e2 NovoMeracdo
## (1) (2)
(3) (4)
## -------------------------------------------------------------------
-----------------------------------
## EfOp -4.9306* 0.0001 -0
.0664 0.4048
## (2.6886) (0.0001) (0.
0828) (0.3270)
##
## LIQ 4.3765 0.0849** -0
.1372 -0.2727
## (4.5846) (0.0409) (0.
1345) (0.1909)
##
## End 10.5322 -0.2543* -0
.4731 0.4383
## (14.6794) (0.1535) (0.
6831) (1.2819)
##
## Imob -29.9688 0.6330*** -0
.8804 -2.1572**
## (23.3435) (0.1209) (0.
6718) (1.0677)
##
## Lnativo -0.1121 0.0422 -0
.2419 -0.6574
## (8.9678) (0.0549) (0.
3057) (0.6697)
##
## PIB -131.5056 -2.7017 -9
.6609 -27.4241*
## (190.8288) (3.8849) (9.
8295) (15.6183)
##
## IPCA 4.1315 -0.0231 0.
1252 0.0526
## (6.1582) (0.0505) (0.
1141) (0.1651)
##
## LFT -439.1166 -1.1624 -10
.3975 49.9293
575
##
## CFROIC Efeitos Aleatorios
## ==============================================
## Dependent variable:
## ---------------------------------
## vard
## Basico Nivel1e2 NovoMeracdo
## (1) (2) (3)
## ----------------------------------------------
## EfOp -2.6978 -0.1264 0.3006
## (1.8288) (0.1215) (0.3495)
##
## LIQ 0.9282 -0.0084 -0.0312
## (1.2371) (0.1101) (0.0697)
##
## End 0.2224 -0.3164 1.1333
## (10.2131) (0.7521) (1.7383)
##
## Imob -20.8449** -1.8818*** -5.0878**
## (9.7173) (0.6961) (2.2071)
##
## Lnativo 0.4031 -0.0159 0.2516**
## (1.0741) (0.0706) (0.1083)
##
## PIB -82.8768 -13.7109 -31.9462**
## (143.2654) (11.2459) (15.2583)
##
## IPCA 4.0983 0.1129 -0.0410
## (6.2714) (0.1150) (0.1650)
##
## LFT -513.0538 -10.8002 50.0571
## (364.2190) (26.7579) (39.3615)
##
## Covid -7.7314 -0.3740 -0.4248*
## (8.4667) (0.3500) (0.2499)
##
## Inov -4.5797 0.1459* -0.5721**
577
library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
579
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
## Please cite as:
## Hlavac, Marek (2022). stargazer: Well-Formatted Regression and Sum
mary Statistics Tables.
## R package version 5.2.3. https://CRAN.R-project.org/package=starga
zer
####Base de Dados ####
setwd("E:/Trabalho Amat") # inserir diret?rio
base<-as.data.frame(read.csv("BaseFinal2023.xlsx.csv", header = T,sep
= ";",dec = ".",quote = "\""))
names(painel)
summary(painel)
painel$NGC<-as.factor(painel$NGC)
Painel<-painel
580
nivel<-levels(painel$NGC)
###################################Basico#########
i=1
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Basico"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp1<-regp
regef1<-(regfe)
regrf1<-(regre)
type="text",
title = titulo,
omit.stat=c("ser"),column.labels = c("Pooled", "FE", "RE"))
##
## BtM Basico
## ===================================================================
==========
## Dependent variable:
## ------------------------------------------------------
----------
## vard
## Pooled FE
RE
## (1) (2)
(3)
## -------------------------------------------------------------------
----------
## EfOp -0.0693*** 0.0007
-0.0025
## (0.0234) (0.0084)
(0.0087)
##
## LIQ -0.0100 -0.0088
-0.0076
## (0.0228) (0.0230)
(0.0194)
##
## End -0.2967 -0.7048
-0.7751
## (0.5064) (0.7519)
(0.5840)
##
## Imob -0.2666 -0.9820
-0.7040
## (0.5700) (1.0027)
(0.6343)
##
## Lnativo -0.0780 -0.0393
-0.0519
## (0.0676) (0.3527)
(0.1197)
##
582
###################################BovespaMais1e2#########
i=2
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "BovespaMais1e2"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp2<-regp
regef2<-(regfe)
regrf2<-(regre)
##
## BtM BovespaMais1e2
## ===========================================================
## Dependent variable:
## ----------------------------------------------
## vard
## Pooled FE
## (1) (2)
## -----------------------------------------------------------
## EfOp -0.0025** -0.0031***
## (0.0010) (0.0008)
##
## LIQ 0.4558* -0.3002**
## (0.2631) (0.1376)
##
## End 2.0553 4.1752***
## (2.4400) (0.8004)
##
## Imob 0.3081 -3.8613**
## (2.5031) (1.8455)
##
## Lnativo -0.2103 -0.9869***
## (0.2420) (0.2618)
##
## PIB 13.1976 16.6436**
## (8.4245) (7.4458)
##
## IPCA -0.1542 -0.0020
## (0.1614) (0.0952)
##
## LFT -34.8756** -35.7678
## (17.6169) (23.6740)
##
## Covid 0.2070 0.3773***
## (0.1383) (0.1061)
##
## Constant 4.2900
585
## (4.4776)
##
## -----------------------------------------------------------
## Observations 78 78
## R2 0.5060 0.6513
## Adjusted R2 0.4406 0.5869
## F Statistic 7.7396*** (df = 9; 68) 13.4907*** (df = 9; 65)
## ===========================================================
## Note: *p<0.1; **p<0.05; ***p<0.01
###################################Nivel1e2#########
i=3
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Nivel1e2"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp3<-regp
regef3<-(regfe)
regrf3<-(regre)
## R2 0.1773 0.1286 0
.1353
## Adjusted R2 0.1642 0.0737 0
.1215
## F Statistic 13.5973*** (df = 10; 631) 8.9029*** (df = 10; 603) 93.
9903***
## ===================================================================
=======
## Note: *p<0.1; **p<0.05; **
*p<0.01
###################################Novo Mercado #########
i=4
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "NovoMeracdo"
painel$vard<-painel$BtM
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp4<-regp
regef4<-(regfe)
regrf4<-(regre)
## (0.2546) (0.5477)
(0.3493)
##
## Lnativo -0.1417** -0.8205***
-0.4818***
## (0.0557) (0.2880)
(0.1688)
##
## PIB 1.4068 3.7028
0.8651
## (6.8399) (4.7350)
(5.0128)
##
## IPCA -0.1956*** -0.1686***
-0.1943***
## (0.0250) (0.0226)
(0.0205)
##
## LFT -44.9531*** -46.7229***
-47.6818***
## (7.4346) (7.8478)
(7.8411)
##
## Covid 0.0671 0.2039*
0.0814
## (0.0596) (0.1059)
(0.0730)
##
## Inov 0.3791** 0.0668
0.1432
## (0.1868) (0.1134)
(0.1061)
##
## Constant 4.8801***
12.5100***
## (1.2178)
(3.7905)
##
## -------------------------------------------------------------------
-----------
## Observations 3,175 3,175
3,175
## R2 0.1410 0.1774
0.1497
591
## (0.0234) (0.0010)
(0.0893) (0.0271)
##
## LIQ -0.0100 0.4558*
0.1627 0.1254**
## (0.0228) (0.2631)
(0.0996) (0.0602)
##
## End -0.2967 2.0553
-0.6902 -1.6093***
## (0.5064) (2.4400)
(0.5445) (0.4135)
##
## Imob -0.2666 0.3081
-0.0375 0.7956***
## (0.5700) (2.5031)
(0.2803) (0.2546)
##
## Lnativo -0.0780 -0.2103
-0.0866* -0.1417**
## (0.0676) (0.2420)
(0.0480) (0.0557)
##
## PIB 29.3381*** 13.1976
15.7776*** 1.4068
## (9.5031) (8.4245)
(5.1430) (6.8399)
##
## IPCA -0.0284 -0.1542
-0.0479 -0.1956***
## (0.0264) (0.1614)
(0.0360) (0.0250)
##
## LFT -28.6563*** -34.8756**
-21.1722** -44.9531***
## (7.0681) (17.6169)
(9.1371) (7.4346)
##
## Covid 0.2692*** 0.2070
0.0767 0.0671
## (0.0895) (0.1383)
(0.0542) (0.0596)
##
593
## Inov 1.0406
0.0215 0.3791**
## (0.7710)
(0.0980) (0.1868)
##
## Constant 2.6915* 4.2900
2.9252** 4.8801***
## (1.4420) (4.4776)
(1.2405) (1.2178)
##
## -------------------------------------------------------------------
------------------------------------------------
## Observations 1,049 78
642 3,175
## R2 0.1363 0.5060
0.1773 0.1410
## Adjusted R2 0.1280 0.4406
0.1642 0.1383
## F Statistic 16.3838*** (df = 10; 1038) 7.7396*** (df = 9; 68) 13.5
973*** (df = 10; 631) 51.9548*** (df = 10; 3164)
## ===================================================================
================================================
## Note:
*p<0.1; **p<0.05; ***p<0.01
#Efeitos Fixos
estatrobustos <-list(sqrt(diag(vcovHC(regef1, type = "HC1"))),
sqrt(diag(vcovHC(regef2, type = "HC1"))),
sqrt(diag(vcovHC(regef3, type = "HC1"))),
sqrt(diag(vcovHC(regef4, type = "HC1"))))
## ===================================================================
===============================================
## Dependent var
iable:
## ------------------------------------------------------
-----------------------------------------------
## vard
## Basico BovespaMais1e2
Nivel1e2 NovoMeracdo
## (1) (2)
(3) (4)
## -------------------------------------------------------------------
-----------------------------------------------
## EfOp 0.0007 -0.0031***
-0.0492 -0.0362
## (0.0084) (0.0008)
(0.0318) (0.0228)
##
## LIQ -0.0088 -0.3002**
0.0263 -0.1443*
## (0.0230) (0.1376)
(0.0469) (0.0760)
##
## End -0.7048 4.1752***
0.1475 -0.4480
## (0.7519) (0.8004)
(0.2244) (0.5385)
##
## Imob -0.9820 -3.8613**
0.4423 0.4795
## (1.0027) (1.8455)
(0.5078) (0.5477)
##
## Lnativo -0.0393 -0.9869***
-0.2185* -0.8205***
## (0.3527) (0.2618)
(0.1242) (0.2880)
##
## PIB 24.2920*** 16.6436**
16.0521** 3.7028
## (8.6501) (7.4458)
(7.8779) (4.7350)
##
595
digits = 4,
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel[c(1,3,4)])
##
## BtM Efeitos Aleatorios
## ===============================================
## Dependent variable:
## ----------------------------------
## vard
## Basico Nivel1e2 NovoMeracdo
## (1) (2) (3)
## -----------------------------------------------
## EfOp -0.0025 -0.0506* -0.0382*
## (0.0087) (0.0297) (0.0211)
##
## LIQ -0.0076 0.0326 -0.0958*
## (0.0194) (0.0434) (0.0581)
##
## End -0.7751 0.0934 -0.7172
## (0.5840) (0.2284) (0.4731)
##
## Imob -0.7040 0.3707 0.6926**
## (0.6343) (0.4360) (0.3493)
##
## Lnativo -0.0519 -0.1656** -0.4818***
## (0.1197) (0.0726) (0.1688)
##
## PIB 24.8611*** 15.5384** 0.8651
## (8.7882) (7.6063) (5.0128)
##
## IPCA -0.0300 -0.0561*** -0.1943***
## (0.0235) (0.0202) (0.0205)
##
## LFT -23.1340*** -21.3416** -47.6818***
## (6.0005) (8.4503) (7.8411)
597
##
## Covid 0.2403*** 0.0504 0.0814
## (0.0929) (0.0493) (0.0730)
##
## Inov -0.1169 -0.0315 0.1432
## (0.3044) (0.0887) (0.1061)
##
## Constant 2.3109 4.4864*** 12.5100***
## (2.7242) (1.7369) (3.7905)
##
## -----------------------------------------------
## Observations 1,049 642 3,175
## R2 0.1653 0.1353 0.1497
## Adjusted R2 0.1573 0.1215 0.1470
## F Statistic 199.6018*** 93.9903*** 503.2510***
## ===============================================
## Note: *p<0.1; **p<0.05; ***p<0.01
598
Regressão NGC – PL
library(gt)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
library(car)
## Carregando pacotes exigidos: carData
##
## Attaching package: 'car'
## The following object is masked from 'package:dplyr':
##
## recode
library(lmtest)
## Carregando pacotes exigidos: zoo
##
## Attaching package: 'zoo'
## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric
library(plm)
##
## Attaching package: 'plm'
## The following objects are masked from 'package:dplyr':
##
## between, lag, lead
library(stargazer)
##
599
names(painel)
summary(painel)
painel$NGC<-as.factor(painel$NGC)
Painel<-painel
nivel<-levels(painel$NGC)
###################################Basico#########
i=1
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Basico"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
600
regp1<-regp
regef1<-(regfe)
regrf1<-(regre)
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
----
## EfOp -6.2806*** -1.6068 -5.1162
***
## (1.7862) (1.3454) (1.505
3)
##
## LIQ 3.3976** 4.5685 3.6423
**
## (1.4234) (4.2951) (1.565
8)
##
## End -60.0992 -5.3958 -57.71
15
## (73.3549) (43.8567) (66.482
0)
##
## Imob -8.3849 -29.6508 -5.801
7
## (35.7187) (82.6060) (34.873
9)
##
## Lnativo 7.9383 -4.2017 7.9155
*
## (4.9272) (29.5139) (4.311
5)
##
## PIB -635.7575 -673.9200 -658.40
99
## (798.0472) (780.9200) (799.43
89)
##
## IPCA -2.1120 -2.2938 -2.187
7
## (12.1374) (12.4679) (12.138
0)
##
## LFT -1,160.4150 -1,142.2190 -1,145.0
360
## (1,283.3950) (1,297.0590) (1,299.1
770)
602
##
## Covid 13.8337 14.1837 13.679
4
## (12.0311) (16.0373) (12.124
0)
##
## Inov 46.9412 -25.5608** 42.348
7
## (50.4092) (11.6253) (48.631
3)
##
## Constant -106.4776 -108.17
31
## (108.6532) (96.772
1)
##
## -------------------------------------------------------------------
----
## Observations 1,049 1,049 1,049
## R2 0.0161 0.0027 0.011
8
## Adjusted R2 0.0066 -0.0590 0.002
3
## F Statistic 1.6955* (df = 10; 1038) 0.2645 (df = 10; 987) 12.258
8
## ===================================================================
====
## Note: *p<0.1; **p<0.05; ***p<
0.01
###################################BovespaMais1e2#########
i=2
filtro<-Painel$NGC==nivel[i]
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "BovespaMais1e2"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
603
regp2<-regp
regef2<-(regfe)
regrf2<-(regre)
painel<-Painel[filtro,]
print(nivel[i] )
## [1] "Nivel1e2"
painel$vard<-painel$PrLc
names (painel)
## [1] "CFROA" "CFROE" "CFROIC" "BtM" "PrLc" "EfOp" "L
IQ"
## [8] "End" "Imob" "Lnativo" "Setor" "PIB" "IPCA" "L
FT"
## [15] "NGC" "Covid" "Inov" "vard"
regp<-plm(vard~EfOp + LIQ + End+ Imob+ Lnativo+ PIB+ IPCA+LFT + Covid
+ Inov,data=painel, model="pooling")#modelo pooled
regp3<-regp
regef3<-(regfe)
regrf3<-(regre)
## PrLc Nivel1e2
## ===================================================================
==
## Dependent variable:
## ------------------------------------------------------
--
## vard
## Pooled FE RE
## (1) (2) (3)
## -------------------------------------------------------------------
--
## EfOp -10.6722 -7.2853 -7.7514*
## (7.8746) (4.8096) (4.5390)
##
## LIQ 2.6210 9.6799 6.7626
## (9.6011) (16.4964) (11.3344)
##
## End 46.4865 63.4576 47.9157
## (47.7195) (87.6046) (32.8044)
##
## Imob -41.6558 -2.4111 -35.7920
## (31.2211) (108.2393) (35.3619)
##
## Lnativo -0.7785 -5.3671 -0.6445
## (4.4389) (28.0423) (4.1599)
##
## PIB -2,466.8800 -2,146.4070 -2,357.856
0
## (2,692.3710) (2,763.7090) (2,727.576
0)
##
## IPCA -17.3243* -16.7032* -17.3224*
## (10.0316) (9.9932) (10.0643)
##
## LFT -398.2152 -344.9675 -370.7855
## (997.5830) (920.0230) (968.5652
)
##
## Covid 25.2493 24.7777 23.8144
607
regp4<-regp
regef4<-(regfe)
regrf4<-(regre)
## vard
## Basico BovespaMais1e2 Nive
l1e2 NovoMeracdo
## (1) (2) (
3) (4)
## -------------------------------------------------------------------
----------------------------------
## EfOp -6.2806*** 0.1853** -10.
6722 -15.0419**
## (1.7862) (0.0867) (7.8
746) (6.2630)
##
## LIQ 3.3976** 4.4335 2.6
210 18.8973
## (1.4234) (8.3239) (9.6
011) (12.3550)
##
## End -60.0992 -308.6914** 46.
4865 1.1430
## (73.3549) (120.6725) (47.
7195) (81.6199)
##
## Imob -8.3849 155.4499 -41.
6558 -1.6872
## (35.7187) (208.3335) (31.
2211) (55.1398)
##
## Lnativo 7.9383 6.4665 -0.
7785 -1.1986
## (4.9272) (21.7038) (4.4
389) (8.6023)
##
## PIB -635.7575 1,040.5630 -2,46
6.8800 -1,548.7820
## (798.0472) (670.6033) (2,692
.3710) (3,227.4380)
##
## IPCA -2.1120 29.7968** -17.
3243* -15.5053
## (12.1374) (12.1653) (10.
0316) (13.8538)
##
## LFT -1,160.4150 -150.1386 -398
.2152 -2,260.2860
612
type="text",
se = estatrobustos,
title = titulo,
omit.stat=c("ser"), column.labels = nivel)
##
## PrLc Efeitos Fixos
## ===================================================================
===================================
## Dependent variable:
## ------------------------------------------------------
-----------------------------------
## vard
## Basico BovespaMais1e2 Nivel1
e2 NovoMeracdo
## (1) (2) (3)
(4)
## -------------------------------------------------------------------
-----------------------------------
## EfOp -1.6068 0.1183 -7.28
53 -6.7244*
## (1.3454) (0.0778) (4.809
6) (3.6046)
##
## LIQ 4.5685 16.1544*** 9.679
9 30.4280
## (4.2951) (5.2326) (16.49
64) (23.6566)
##
## End -5.3958 57.4673 63.45
76 -155.1329
## (43.8567) (187.0312) (87.60
46) (224.9731)
##
## Imob -29.6508 -16.6243 -2.41
11 -182.1949
## (82.6060) (185.3598) (108.23
93) (224.8831)
##
## Lnativo -4.2017 -39.4720*** -5.36
71 -6.0943
## (29.5139) (7.6550) (28.04
23) (40.1897)
##
614